Espacialização e impacto das despesas públicas no setor privado do DF

Autores

Ana Maria Nogales

Andrea Cabello

Frederico Bertholini

Guilherme Viana

Lucio Rennó

Thiago Rosa | Codeplan (colab.)

Data de Publicação

17 de agosto de 2022

Resumo

A pesquisa utiliza dados da transparência do Governo do Distrito Federal (GDF) sobre as despesas efetivamente pagas pelo GDF, de 2016 a 2020, dados de CNPJ da Receita Federal, dados da Relação Anual de Informações Sociais (RAIS) identificada e dados de geolocalização da Codeplan. Dados financeiros foram calculados a preços de 2022.
Analisamos as despesas do GDF associadas aos CNPJs cujo credor é do Setor Privado. Este estudo é pioneiro, pois mobiliza dados de diversas fontes, enfocando a unidade mais desagregada e tangível da efetivação do gasto público: os pagamentos realizados, discriminados por credor.
O objetivo é avaliar o papel do GDF como consumidor de bens e serviços através do mapeamento das despesas públicas. Identificamos o perfil de consumo do governo e como este pode fomentar a economia local do DF através de seu gasto.
Encontramos pouca variação no total de despesas pagas ao setor privado no período 2016 a 2020. No período analisado, as despesas com o Setor Privado foram em média de 6,89 bi por ano, o que representa, aproximadamente, 23% da despesa total.
Sobre a distribuição por UF, constatamos que o GDF destina a maior parte de seus recursos para pagamento dos credores do próprio DF, em média de 5,66 bi por ano, o que representa aproximandamente, 82% da despesa no Setor Privado período.
Sobre os padrões espaciais da distribuição dos pagamentos do GDF, há grande concentração no Plano Piloto, seguida de Taguatinga, Ceilândia, Guará e Samambaia, com pequena presença também em Gama, Sobradinho e pontos mais esparsos, como em Brazlândia e Planaltina. Há indicação de um vetor de desenvolvimento associado à saída sudoeste e sul da cidade.
Na comparação entre empresas do DF que receberam recursos do GDF e empresas que não receberam recursos, as que receberam são mais antigas e têm, em média, mais empregados. No setor de comércio essas diferenças são menores e no de construção são maiores.
De forma geral, a relação entre empregos e valores recebidos é positiva, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo.
A partir da aplicação de um modelo estatístico de pareamento, que verifica se passar a receber valores do GDF faz com que as empresas gerem mais empregos, encontramos evidências apontando em sentido opostos.
Nos biênios 2016-2017, 2017-2018 e 2018-2019, a exemplo de desenho similar feito em outro estudo para os períodos 2010-2011, 2012-2013, 2013-2014 e 2014-2015, não foi encontrado esse efeito.
Entretanto, para o biênio 2019-2020, ano da pandemia, foi encontrado um efeito positivo de ser credor do GDF para a manutenção de empregos.

Instruções de uso

O uso deste relatório interativo é intuitivo e simples. Passe o mouse sobre os gráficos para ver totais e porcentagens, clique as caixas de seleção para filtrar os dados por categorias específicas, clique em cores para destacar. Em caso de dúvidas acerca do uso da nota ou sobre o código-base que a gerou, entre em contato conosco .

Introdução

O objetivo deste trabalho é analisar a evolução, composição e espacialização das despesas e investimentos governamentais do Governo do Distrito Federal (GDF), no período de 2016 a 2020. Para tanto, foram utilizadas as informações das despesas emitidas pelo GDF neste período. Assim, analisamos o perfil do GDF como consumidor de bens e serviços e de que maneira as compras públicas e convênios com recursos do GDF se distribuem entre UFs e dentro do Distrito Federal. Investigamos se o GDF tende a comprar mais de empresas privadas localizadas no próprio território do Distrito Federal e como essas compras se distribuem por esse mesmo território. Além disso, classificamos as despesas pelas características dos credores, a fim de entender em que áreas de sua atuação o GDF gasta mais recursos.

Em economia, há uma larga discussão sobre a importância do gasto público com o crescimento econômico, com enfoque na relação existente entre gastos chamados “produtivos” (investimentos) e os ditos “improdutivos” (custeio). Contudo, poucos são os estudos que lançam olhar sobre a composição e espacialização dos gastos governamentais na tentativa de compreender como essas divisões podem estimular a atividade econômica. Além disso, a compreensão do custeio como improdutivo pode ser bastante questionada, uma vez que as compras do Estado, tanto de serviços como de produtos, pode e deve movimentar a economia local. Assim, tratamos os gastos públicos como elemento importante de fomento da economia, gerando riqueza e empregos na sociedade.

Sob um cenário restritivo, como é o atual, entender como os gastos governamentais são realizados pode contribuir para a racionalização dos recursos, uma vez que as contenções de despesas são mandatórias nessa conjuntura. O estudo é inovador porque não observa as fases orçamentárias da despesa pública, como empenhamento, liquidação e pagamento, mas está centrado em como os recursos que o GDF coloca de volta no mercado, seja em investimento, seja em custeio, efetivamente se distribuem entre os agentes econômicos no espaço.

Método

Utilizamos como fonte principal de informações as despesas pagas pelo GDF para o período de 2016 a 2020, disponibilizada no site da transparência. A maior parte do esforço metodológico para a produção deste relatório está relacionada ao processamento e compatibilização de dados oriundos de diversas fontes, em diferentes formatos. O propósito é garantir um formato acessível e descritivo dos dados, propondo e adotando formas de classificação e localização no espaço, tanto dos credores quanto despesas por eles recebidas.

Como fontes auxiliares de informação, de modo a georreferenciar as informações, foram utilizadas cinco bases de dados adicionais: a Relação Anual de Informações Sociais (RAIS), dos anos de 2002 a 2014; uma base construída e gentilmente compartilhada pelo Instituto de Pesquisa Econômica Aplicada (IPEA), a partir de um cruzamento de informações da RAIS 2013 e de uma base de endereços adquirida pelo Instituto; informações da Companhia Energética de Brasília (CEB); informações da Companhia de Saneamento Ambiental do Distrito Federal (CAESB); e uma base do Cadastro Nacional de Endereços para Fins Estatísticos (CNEFE), do IBGE. Todos os cruzamentos entre as bases de dados se deu pelo número do CNPJ dos credores (código do credor), o qual foi padronizado em todas as bases para o tamanho de um CNPJ (14 dígitos numéricos) e validados pelo seu algoritmo de construção.

Todos os valores monetários foram atualizados pelo IPCA, para o mês de agosto de 2022, tornando todos os valores comparáveis no período de análise.

Da base de estabelecimentos da RAIS, foram consideradas como empresas do DF todos os estabelecimentos cujo município de sede do cnpj respondente foi a capital Federal. Uma vez que um mesmo cnpj poderia aparecer mais de uma vez na base de estabelecimento, foram selecionadas as informações cujo Cadastro Específico do INSS – CEI – estava preenchido com zeros. Para empresas que apareciam mais de uma vez na base de dados, mas não apresentavam o campo CEI preenchido com zeros, foram selecionadas as informações da primeira ocorrência de acordo com a ordem crescente de CEI. Dessa base de estabelecimentos foram extraídas as informações de classe de atividade econônimca (CNAE), a natureza jurídica, o tempo de abertuda, a unidade de federação, bem como a numeração do cnpj, utilizada como chave de ligação entre todas as fontes de informação.

Da base de vínculos da RAIS, foram extraídas as seguintes informações, para cada cnpj: número de empregos, baseado na soma do número de pessoas com vínculo ativo em 31 de dezembro do ano de referência e com salários médios anuais maiores que zero; a moda da escolaridade e da profissão dos funcionários, com base no Código Brasileiro de Ocupações (CBO); a média da idade e do tempo de emprego dos funcionários; a soma dos salários médios pagos por cada empresa – a massa salarial; e a média dos salários e das horas contratadas. Essas informações de empregos foram cruzadas com a base de estabelecimentos da RAIS, formando uma fonte de informações unificada, de estabelecimentos e empregos.

Partiu-se primeiro da base de estabelecimentos da RAIS porque que nem todas as empresas possuem vínculos com trabalhadores, sendo os dois tipos de empresas credoras do GDF. Finalmente, as informações das Despesas foram levadas a base únificada da RAIS, formando uma nova base de dados, com informações das características dos estabelecimentos, da força de trabalho das empresas que contratam diretamente mão-de-obra e das Despesas daquelas que negociaram com o GDF durante o período de análise. Por uma questão de comparabilidade, as empresas analisadas nesta Nota Técnica serão apenas as que constam na RAIS no período de análise. Por isso, pode haver algumas diferenças de totalização em relação a trabalhos anteriores.

Identificação do tipo de credor

A identificação dos tipos de credores foi realizada a partir da combinação das informações disponíveis nos códigos de Grupo da Despesa e nos códigos de credores. Os grupos de despesa extraídos das informações orçamentárias são: “pessoal e encargos sociais”, “juros e encargos da dívida”, “outras despesas correntes”, “investimentos”, “inversões financeiras”, “amortização da dívida”, “reserva orçamentária do RPPS” e “reserva de contingência”.

Para os códigos de credores: códigos com marcações “FP” foram classificados como “Folha de Pagamento”; códigos com informações de duas unidades gestoras do GDF foram classificados como “Trocas Intragovernamentais”; os códigos numéricos com menos de 11 dígitos foram preenchidos com zeros à esquerda e testados pelo algoritmo de validação de CPF, sendo os casos positivos assim classificados; para os demais códigos numéricos, foram acrescentados zeros à esquerda até que completassem 14 dígitos e aplicado o algoritmo de validação de CNPJ, sendo os casos verdadeiros assim classificados; para os códigos cujo credor continha palavras relacionadas ao governo federal ou de outra unidade federativa (“fundo nacional”, “receita federal”, “bacen”, “ministério”, “secretaria”, “tribunal”…) foram classificados como “Trocas Intergovernamentais”; para os códigos cujo credor continha as palavras relacionadas ao Banco de Brasília (banco de “brasilia”, “banco regional de brasilia”, “brb”) foram classificados como “Banco de Brasília”; e os casos remanescentes foram classificados como outros itens (os quais totalizaram menos de 1% dos casos).

A combinação destas duas classificações permitiu uma identificação mais adequada da combinação OB-credor em 5 tipos: “Despesas com o Setor Privado”, “Investimento no Setor Privado” – estes dois primeiros o foco de nossa análise, “Governo”, “Folha, benefícios e ressarcimento” e “Operações financeiras”. Uma vez que o a base de despesas não continha pagamentos efetuados com recursos oriundos do Fundo Constitucional do Distrito Federal (FCDF) no período de 2016 a 2020, para que as informações fossem comparáveis não foram consideradas despesas emitidas com tal fonte de recursos. Dessa forma, os valores aqui apresentados podem não ser diretamente comparáveis outras fontes de informação, como o Portal da Transparência.

Seguindo esta classificação, podemos identificar o total de recursos que, anualmente, o GDF dispende em despesas e qual a fatia destinada aos gastos no Setor Privado em comparação com outros credores do governo. A série histórica aponta que as despesas correntes com os credores objeto de análise concentram cerca de 55% do valor das despesas emitidas entre 2016 e 2020, enquanto os investimentos representaram cerca de 23%. Contudo, os valores de 2015 se assemelham em muito aos de 2011, primeiro ano da gestão anterior, assim como a 2010 e 2012. Na verdade, houve expansão dos gastos em 2013 e 2014, colocando a redução de 2015 em perspectiva, retornando esta, na verdade, a padrões anteriores.

Georreferenciamento dos credores

No que tange ao georreferenciamento das empresas, para todos os CNPJs que apareciam mais de uma vez nas bases adicionais, as coordenadas foram ajustadas para os pontos médios de suas distâncias. As variáveis de latitude e longitude foram construídas a partir do seguinte critério de prioridade: em primeiro lugar, foram utilizadas as informações da base IPEA, classificadas com quatro ou três estrelas de precisão (ponto exato ou centro do logradouro do CNPJ); para os CNPJs remanescentes, a segunda base de dados utilizada foi a da CEB; em seguida, utilizou-se a base da CAESB; a quarta base consultada foi a do CNEFE; por fim, utilizou-se novamente a base do IPEA, com classificações de duas ou uma estrela (centro do setor censitário ou do município, respectivamente). Como as bases de dados adicionais concentram informações de empresas do Distrito Federal, a maioria das localizações se deu para empresas da capital federal. Com o intuito de adicionar maior informação as demais empresas, foi criada uma variável para as unidades da federação (UF), tendo como informação principal a RAIS de 2002 a 2014, seguida pelos mesmos critérios utilizados na definição das latitudes e longitudes. Adicionalmente, informações referentes à classe de atividade econômica (seção) e natureza jurídica das empresas também foram coletadas da RAIS.

Análise da Despesas emitidas ao Setor Privado

Nossa análise, portanto, restringir-se-á aos credores tipificados como entidades privadas que venderam algum tipo de produto ou serviço ao GDF entre 2016 e 2020. Estes diferentes credores estão distribuídos ao longo dos anos da seguinte forma:

Localização das Empresas por UF

Passando para a análise da UF de origem das empresas privadas, percebe-se que o GDF concentrou seus pagamentos por produtos ou serviços em empresas estabelecidas dentro do próprio Distrito Federal. De 2016 a 2020, cerca de dos dispêndios eram direcionados ao DF, chegando a 83% em 2015. Fora do DF, o GDF concentrou seus dispêndios em São Paulo, Goiás, Rio de Janeiro e Minas Gerais.

Despesas correntes e despesas de capital

No que diz respeito à categoria econômica da despesa, as despesas de capital representavam cerca de ¼ no primeiro anos da série, chegando a cerca de 1/3 no período que vai de 2012 a 2014, reduzindo-se para o menor proporção em 2015 – cerca 12%. É possível observar, comparando porcentagens e valor total por categoria, que o volume das despesas correntes não variou de forma significativa no período, apesar do aumento em 2013 e 2014, e que em momentos de retração ou expansão, a maior variação ocorre no investimento.

Função de Governo

Dentre as funções que mais concentraram os investimentos, tem-se o urbanismo, o transporte e a administração, que somam juntas cerca de 70% dos valores ao longo do período (com exceção de 2011, ano em que desporto e lazer representou sozinho quase 30% dos investimentos). No que tange as despesas correntes, administração (cerca de 16%), urbanismo (cerca de 11%), saúde (cerca de 35%) e educação (cerca de 12%) são as funções que mais consomem recursos, com cerca de ¾ do total de Despesas emitidas. Quando se analisa a composição investimento e gasto corrente dentro das funções, nota-se que para todas elas a parcela de investimento é bastante reduzida, com exceção de urbanismo e transporte. A serie temporal mostra um encolhimento dos investimentos em todas as funções.

Identificação de padrões espaciais

Um dos aspectos mais interessantes do método empregado nesta nota é a possibilidade de identificação de padrões espaciais, a partir do mapeamento de credores do GDF que se encontram no território do Distrito Federal. Os pontos em vermelho representam uma empresa ou conjunto de empresas localizadas na mesma referência geográfica. É sempre importante lembrar, no entanto, que os dados de geolocalização dizem respeito às infromações inseridas pelas empresas como registro , não havendo referência exata ao local de aplicação do recurso contratado pelo governo, algo ainda impossível de ser mapeado de forma sistematizada. As cores que vão de roxo a amarelo são manchas de calor dos pontos, ponderadas pelo valor da despesa, quanto mais amarelo, maior a concentração de recursos.

Evolução anual da mancha de credores

Ao se analisar a distribuição das Despesas dentro do território, percebe-se uma clara concentração na região central do Distrito Federal. Regiões como Plano Piloto, SIA, e Guará concentram as empresas com as quais o GDF mantém relação, tanto em quantidade, quanto em valores. Além dessas regiões, pode-se notar também uma boa concentração em Taguatinga, Ceilândia, Samambaia, Gama e Sobradinho, além de pontos mais esparsos em Brazlândia e Planaltina. Não houve mudanças significativas na mancha ao longo dos anos.

Um olhar para os mercados de compras públicas: Nível de concentração de mercado por Função de Governo

Um primeiro exercício de identificação dos mercados associados às Funções de Governo aponta que existem níveis de concentração bastante distintos e que essa concentração reage de forma diferente aos ciclos, de acordo com a Função. Mesmo entre funções importantes, como Saúde, Educação e Administração, é possível identifcar comportamentos de mercado não homogêneos.

As próximas notas também permitirão mapear a atividade econômica das empresas que vendem para o GDF. Um dos aspectos interessantes, ao se analisar individualmente as empresas com maiores volumes de Despesas, é que estão presentes aquelas ligadas a vigilância e segurança, alimentação, serviços gerais, saneamento e construtoras.

Efeitos da despesa pública no número de empregados das empresas privadas

Uma das principais indagações a respeito do papel do governo nas sociedades é se a atuação pública é capaz de dinamizar a economia e estimular a criação de empregos. O objetivo deste trabalho é estimar os impactos dos recursos oriundos da compra de bens e serviços pelo Governo do Distrito Federal (GDF) nos empregos gerados pelo setor privado local. Para tanto, esta Nota Técnica investiga um conjunto de variáveis econômicas relevantes associadas às empresas com sede no DF e que são credoras do GDF – como setor econômico, natureza jurídica, tempo de funcionamento da empresa – e a características da sua força de trabalho – como quantidade de empregos, massa salarial, média de salários por hora, horas médias de trabalho contratadas, escolaridade e ocupação predominantes. Procura-se responder, por exemplo, qual a proporção representada pelas receita obtidas com vendas para o GDF na massa salarial total da empresas, quantos empregos a mais uma empresa gera por prestar serviço ao GDF e se há aumento médio de salários nestas empresas.

As características das empresas credoras do GDF com sede no DF são comparadas vis-a-vis as características das empresas do DF que não negociam com o Governo Distrital, a partir de exercícios exploratórios e descritivos. São realizadas comparações sobre setor, tamanho e salário médio entre empresas que têm ou não negócios com o GDF, por exemplo. Para estimar os impactos das compras do GDF no emprego local, utilizou-se o método de diferenças em diferenças combinado com um pareamento por escore de propensão, de modo a se formar grupos de comparação (entre credores e não-credores) mais homogêneos. Adicionalmente, são trazidas também variáveis de contexto, a fim de se entender a participação das compras públicas no total do PIB distrital. O período analisado ficou restrito ao intervalo de anos entre 2016 e 2020, devido a questões de disponibilidade de dados, que serão esclarecidas na seção sobre a metodologia utilizada.

Consistência dos dados

Existe uma questão de consistência temporal entre a RAIS e o recebimento das despesas que merece ser mencionada. Nem sempre o valor da despesa recebido no ano t_n se refere a um um produto ou serviço empenhados em t_n. É possível que uma empresa receba o valor da despesa em t_n, por um serviço realizado em t_{n-1}, e não esteja presente na RAIS no período em questão. Nesses casos, essa empresa não entra na análise, uma vez que as informações utilizadas da RAIS são cruzadas de acordo com o ano de recebimento da despesa. Por essa razão, há diferenças em relação aos valores totalizados nos registros do GDF e os valores totalizados a partir dos registros da RAIS. Estas diferenças são relativamente irrelevantes entre 2010 e 2013, entretanto, em 2014, elas totalizam cerca de 0 milhões de reais.

Diferenças entre fontes

Valores em bilhões de reais
Ano	Valor despesas GDF	Qtd. Empresas GDF	Valor despesas RAIS	Qtd. Empresas RAIS
2016	6,214	8.543	6,214	8.543
2017	6,359	8.394	6,359	8.394
2018	7,699	8.853	7,699	8.853
2019	6,513	8.355	6,513	8.355
2020	6,271	7.537	6,271	7.537

Quantidade de empresas analisadas

Nota-se que o número de empresas que declararam a RAIS e cuja sede era o DF cresceu durante todo o período, passando de 64066 em 2010 para 60505 em 2014, um crescimento de quase 9% no período. Dessas, apenas uma pequena fração, cerca de 13,3%, eram credores do GDF (cerca 8336, em termos absolutos).

Caracterização das empresas do DF

Variáveis de comparação

Este trabalho pretende realizar uma comparação entre empresas credoras do GDF com sede no DF e as demais empresas com sede no DF. Antes de seguir às estimações, porém, é fundamental caracterizar o conjunto de empresas que serão analisadas. Esta seção discute as diferenças de perfil entre credoras do GDF e não credoras, por setor econômico da atividade, com relação a tamanho e tempo de existência das empresas.

Tamanho - quantidade de empregos

O primeiro passo descritivo é caracterizar as empresas analisadas quanto ao número de empregos ativos. A informação de empregos da RAIS é obtida a partir da soma de vínculos ativos ao final do ano. Tanto entre as credoras quanto entre as não-credoras há empresas sem vínculos ativos. Isso não implica que estas empresas não tenham empregado funcionários ao longo do ano, entretanto, para fins analíticos, esta foi a informação viável mais próxima.

Pode-se perceber que há um percentual substancialmente maior de empresas com pelo menos um empregado entr os credores do GDF do que a média geral das demais empresas. Enquanto em torno de 65% das empresas credoras do GDF tinham pelo menos um empregado ao longo do período analisado, esse percentual é de cerca de 45% para as demais empresas. O mesmo tipo de análise pode ser feito tomando como base o setor de atividade da empresa.

Nota-se claramente que as empresas credoras do GDF dos setores de Comércio (100%), Construção (100%) e Indústria (100%) têm percentuais consideravelmente superiores às empresas não credoras, ao passo que nos setores de Extração (100%) e Serviços (NA%) estes percentuais são mais próximos. Para caracterizar melhor as empresas credores, o gráfico abaixo apresenta o porte das empresas baseado no número de empregados. Utilizou-se uma classificação usual entre “micro” (até 9 funcionários), “pequena” (de 10 a 49), “média” (de 50 a 99) e “grande” (100 ou mais) empresa, a fim de facilitar a visualização dos dados.

Dentre as empresas credoras do GDF, percebe-se que aquelas do setor de comércio concentram os empregos em estabelecimentos de pequeno porte, com até 9 funcionários, somando 54 dos X mil empregos observados nesse setor de atividade. Já a construção e os serviços são as atividades que mais apresentam empregos em empresas de maior porte, com mais de 20% dos empregos em empresas com 50 ou mais funcionários. Dentre as empresas que não negociam com o GDF, percebe-se que a maioria dos empregos está concentrada em empresas de pequeno porte, em todos os setores de atividades. No comércio, indústria e serviços, cerca de 80% dos empregos estão concentrados em empresas de pequeno porte, número um pouco menor na construção cívil – 68%.

Em suma, nota-se que as empresas credoras do GDF tem como características predominantes terem ao menos um empregado e serem de maior porte que aquelas não-credoras. A distribuição do número de empregos aponta que as empresas credoras do GDF tendem a ser maiores que as demais empresas, especialmente porque há proporcionalmente menos empresas sem empregados entre as credoras do Governo. Contudo, mesmo não levando em consideração as empresas sem vínculos, a mediana do número de empregos – uma medida melhor que a média, por conta de alguns valores extremamente altos fora de padrão – é superior entre as empresas que receberam ordens bacárias.

Tempo de atividade

É interessante comparar o tempo de atividade dessas empresas, a fim de identificar se empresas credoras do GDF são mais novas ou mais antigas, em média, do que as demais. Cumpre ressaltar que estas distribuições são relativamente constantes ao longo do tempo, por isso optou-se por apresentar apenas as comparações por setor, já que há maior variabilidade dos dados nesta dimensão. Os dados sobre tempo de vida das empresas estão diponíveis apenas para o período 2016-2020.

Fica nítido, a partir da comparação de tempo de existência que, no geral, as empresas credoras do GDF tendem a ser mais longevas do que as não credoras e que especialmente as credoras com empregados têm tempo de vida maior.

Data de Inicio da atividade

É interessante comparar a data de início da atividade dessas empresas, a fim de identificar se empresas credoras do GDF são mais novas ou mais antigas, em média, do que as demais.

Despesas: distribuição do tratamento

Esta seção trata apenas das empresas credoras do GDF identificadas na RAIS, as quais receberam recursos em troca da venda de algum produto ou serviço. Para efeito da comparação que se pretende realizar, estes recursos estão sendo entendidos como uma espécie de “tratamento”, para o qual se verificará efeito sobre a quantidade de empregos.

Distribuição de recursos por setor

É fundamental, em primeiro lugar, entender como funciona a distribuição dos recursos por setor econômico, dentro do total de pagamentos por bens e serviços contratados junto ao setor privado pelo governo local.

Pode-se notar do gráfico acima que o setor de serviços é consistentemente o setor mais importante das compras públicas do GDF, com cerca de 65% do total de Despesas. A construção civil é o segundo setor mais relevante e também tem percentual relativamente estável ao longo do período, em torno de 24%, com exceção de 2011, quando esse percntual caiu a 17%. O comércio se situa em torno de 12% e a indústria, 2%. A extração é irrelevante, menos 0,1% em média, até mesmo por isso, não será objeto de análise.

Relação entre recursos recebidos e tamanho da empresa

Para verificar esta relação, optou-se por limitar a análise da relação entre o recursos recebidos do GDF e a quantidade de empregos gerados aos quatro maiores setores econômicos, quais sejam, serviços, comércio, construção e indústria. A quantidade de empresas por ano no setor de extração e nos setores sem classificação eram menores que dez e os valores envolvidos substantivamente inferiores aos dos quatros principais setores.

Pode-se inferir, pelos gráficos acima, que a relação entre tamanho da empresa e valor recebido é, de forma geral, positiva. Ou seja, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. Essa relação é mais intensa no setor de serviços e menos intensa no setor de comércio. Quando observados períodos de tempo específicos para alguns setores, pode-se concluir que esta relação, embora seja válida no geral, não é consistente o suficiente por período-setor para ser generalizada.

No gráfico das curvas ajustadas a partir da dispersão o eixo x é a quantidade de empregos e o eixo y é são. A curvas apontam que, para o período analisado, há grande similaridade no comportamento das curvas no setor de serviços e no setor de construção. Para estes setores há relação forte entre valores recebidos e empregos gerados até aproximadamente empresas com 100 funcionários, porém, após esse ponto, a relação fica fraca, a curva segue paralela ao eixo x. A indústria tem um padrão relativamente estável, especialmente entre 2012 e 2014. Apenas o comércio apresenta um padrão completamente distinto entre todos os anos do período, sendo que, curiosamentem em 2014, há uma relação negativa entre tamanho e valores.

Os gráficos de densidade apresentam informação similar, porém para o agregado do período e desconsiderando empresas sem vínculos. As cores sob as áreas representam o tamanho da empresa. Quanto mais a densidade da área está à direita, maior a concentração de valores recebidos, ou seja, valores maiores, quanto mais à esuqerda, menores os valores. É possível identificar o mesmo movimento geral depreendido das curvas ajustadas, empresas maiores tendem a receber mais.

Os gráficos de barras empilhadas, por fim, destacam de forma mais simples a categoriação e o somatório total de Despesas por ano, bem como a média anual de Despesas por setor. Deste gráfico se pode concluir com clareza que, no setor de serviços, empresas grandes recebem cerca de 65% dos valores em Despesas, ao passo que, no comércio, esse percentual é de cerca de 18%.

Importância do governo para as empresas

Aprofundando o entendimento acerca

Testando hipóteses: qual o impacto do GDF no mercado de trabalho?

Para estimar o impacto de se receber valores do GDF na geração de empregos, utilizou-se o método de diferenças em diferenças, combinado com um pareamento por escore de propensão. Foi testado se as empresas que não receberam valores do GDF através de ordem bancária em um ano, mas passaram a receber no período subsequente, terminam o período com mais empregados vinculados à empresa. O grupo de comparação foi composto pelas empresas que não receberam valores do GDF em ambos os períodos.

O objetivo de se fazer um pareamento foi tornar os dois grupos de empresas o mais parecido possível em suas características observáveis. Como as empresas que recebem valores do governo local podem ser consideravelmente diferentes daquelas que não recebem, procurou-se encontrar um grupo mais comparável. As características das empresas utilizadas para o pareamento foram: as médias das quantidades de horas contratadas, do salário e do tempo de empresa e a moda da escolaridade dos funcionários contratados, o tempo de funcionamento da empresa, se ela é a matriz e o setor de comparação. Tal pareamento foi aplicado no período em que nenhuma empresa recebia valores do GDF.

Uma vez que podem existir características não observáveis das empresas que afetam a chance de ela negociar com o GDF, e.g. a capacidade gerencial, somente realizar o pareamento em características observáveis é eventualmente insuficiente para tornar ambos os grupos comparáveis. Partindo do pressuposto de que todas as características não observáveis dessas empresas são fixas no tempo, com o método de diferenças em diferenças essa questão é levada em consideração.

Esse método consiste em calcular a diferença do número no período para os dois grupos de empresas (credores e não credores do GDF) e, então, calcular a diferença dessas diferenças, testando para a significância estatística desse resultado. As características não observáveis e fixas no tempo são anuladas ao se realizar as diferenças.

Estimação

Tratamento e controle

Os gráficos e tabelas acima mostram o resultado do exercício realizado para cada par de anos no período de 2016 a 2020. As empresas que não foram credoras do GDF no primeiro período, mas passaram a ser credoras ano subsequente – os tradados – foram comparadas com as empresas que não foram credoras do GDF em nenhum dos anos – os controles. Para cada par de ano, foi realizado um pareamento por escore de propensão, de modo a tornar as empresas o mais parecido possível entre si, com base em suas características observáveis. Os resultados mostram que, de modo geral, o pareamento conseguiu produzir grupos mais semelhantes de empresas em todas as características elencadas. A única variável que ainda permanece apresentando diferenças consideráveis é a massa salarial, com o valor das empresas tratadas sendo sensivelmente maior.

A aplicação das diferenças em diferenças à amostra pareada mostrou que passar a receber valores de despesas do GDF não faz com que as empresas terminem o ano com um número mais elevado de empregados que aquelas que não receberam valores. Nenhum dos biênios avaliados apresentou diferença significativa no número de empregos. Todavia, conforme mencionado na seção metodológica, essa análise é focada no ano em que a empresa recebe o valor da despesa, não sendo possível avaliar se o ato de fechar o compromisso de venda de bens ou serviços para o governo pode elevar a quantidade de empregos. Outra questão não verificada nessa análise é se o volume de recursos recebido faz diferença, uma vez que o resultado somente foi apresentado para a média dos valores.

Considerações finais

Esta segunda Nota Técnica interativa da Codeplan investigou se a atuação governamental, a partir das compras e contratações, é capaz de dinamizar o setor privado e criar de empregos. Foram estimados os impactos dos recursos oriundos da compra de bens e serviços pelo Governo do Distrito Federal (GDF) nos empregos gerados pelo setor privado local.

As empresas credoras do GDF com sede no DF foram comparadas às empresas do DF que não negociam com o Governo Distrital. Verificou-se grandes diferenças com relação a tamanho e tempo de existência, tanto de forma geral, quanto por setor. As empresas credoras do GDF têm, em média, mais empregados e estão no mercado há mais tempo. No setor de serviços, entretantoas diferenças, embora permaneçam, são menores. Isso significa que o mercado de serviços prestados ao governo se parece mais com o mercado de serviços como um todo, em relação aos demais setores.

Também foram analisadas a distribuição de despesas por setor e a relação entre tamanho da empresa e valor recebido. Verificou-se que o setor de serviços é o mais relevante, já que corresponde a cerca de 65% das empresas credoras analisadas. Também se pode concluir que, de forma geral, a relação entre empregos e valores recebidos positiva. Ou seja, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. Essa relação é mais intensa no setor de serviços e menos intensa no setor de comércio.

No entanto, a aplicação do modelo econométrico para comparação entre credores e não credores mostrou que passar a receber valores de despesas do GDF não faz com que as empresas gerem mais empros do que aquelas que não receberam valores. Dos quatro biênios analisados, 2010-2011, 2011-2012, 2012-2013 e 2013-2014, em nenhum houve diferença significativa no número de empregos. O resultado permite concluir, observadas as condições e pressupostos enumerados aqui, que não há efeito do recebimento de recursos do governo na geração de empregos.

Considerações finais e desenvolvimentos futuros

Este nota adotou uma abordagem pioneira sobre o gasto público, focada nas despesas emitidas pelo GDF, discriminadas por credor, entre 2016 e 2020, propondo uma tipificação não usual, baseada tanto nas características do credor quanto nas informações orçamentárias da despesa. Ao adotar esta classificação, pudemos identificar que o pagamento por bens e serviços ofertados pelo setor privado no período corresponde a uma parcela de cerca de 78% do total de gastos vinculados a fontes próprias e externas [nota].

Demonstramos que, embora tenha havido expansão do total de despesas pagas ao setor privado no período 2016 a 2020, este movimento se reverte em 2015, retornando a valores inferiores a 2013. Acreditamos que esta é uma reação do governo à conjugação de restrições fiscais impostas pela crise econômica nacional e de pressões geradas pelo aumento da participação dos gastos com pessoal no orçamento.

Apesar desta retração, a proporção de credores do próprio Distrito Federal cresceu substancialmente ao longo do período. Sem levar em conta o critério de economicidade e eficiência nas compras públicas, que não é objeto de análise deste relatório, temos que a concentração de compras de produtos e serviços em empresas locais tem resultados potencialmente positivos do ponto de vista da geração de empregos diretos e da consolidação de uma rede econômica virtuosa. Essa hipótese, em especial, demanda maior aprofundamento e mobilização de outras variáveis para efetivo teste empírico.

Entretanto, aparentemente, persiste grande concentração e limitada variação nos padrões espaciais da distribuição dos pagamentos do GDF ao longo do tempo. O Plano Piloto aparece como destinatário da maior parte das OBs, seguido de Taguatinga, Ceilândia, Guará e Samambaia, com alguma presença também em Gama, Sobradinho e pontos mais esparsos, como em Brazlândia e Planaltina. Reforça-se a indicação de um vetor de desenvolvimento associado à saída sudoeste e sul da cidade.

O próximo passo, a ser desenvolvido em novas notas técnicas, será identificar, a partir de novos cruzamentos com os conjuntos de dados aqui produzidos, quais os ganhos em termos de empregos diretos e qual a capacidade do estado em dinamizar determinados setores da economia com suas compras. Pretende-se implementar modelos econométricos capazes de identificar e estimar estes efeitos.

--- title: "Espacialização e impacto das despesas públicas no setor privado do DF" author: - Ana Maria Nogales - Andrea Cabello - Frederico Bertholini - Guilherme Viana - Lucio Rennó - Thiago Rosa | Codeplan (colab.) institute: ObservaDF date: 08/17/2022 lang: pt toc: true format: html: html-math-method: katex code-tools: true self-contained: true execute: warning: false echo: false message: false --- ```{r} #| include: false library(DT) library(formattable) library(ggthemes) library(ggmap) library(gridExtra) library(highcharter) library(Hmisc) library(knitr) library(maps) library(maptools) library(pander) library(RColorBrewer) library(rgdal) library(rjson) library(sf) library(R.utils) library(repmis) library(scales) library(treemap) library(viridis) library(lubridate) library(tidyverse) knitr::opts_chunk$set(echo = F, message=FALSE, warning=FALSE) options(OutDec= ",") ``` ```{r} despesa_gdf_analise <- read_rds("despesa_gdf_analise_2022observaDF.rds") # base RAIS diff base_diff <- read_rds("base_diff.rds") did_reg <- read_rds("did_reg.rds") # Classificação da despesa + classificação do credor class_despesa <- despesa_gdf_analise %>% group_by(classif_credor,ano) %>% summarise(despesa=round(sum(despesa,na.rm = T)/10^9,3)) %>% arrange(classif_credor,ano) class_despesa.prop <- class_despesa %>% group_by(classif_credor) %>% summarise(despesa=sum(despesa)) %>% mutate(Total = round(100*prop.table(despesa),0)) class_despesa.wide <- class_despesa %>% group_by(classif_credor,ano) %>% summarise(despesa=sum(despesa)) %>% spread(ano,despesa) # Filtrando as despesas apenas para o Setor Privado despesa_gdf_analise_sub <- despesa_gdf_analise %>% dplyr::filter(classif_credor=="Setor Privado") # Quantidade de empresas analisadas qtd_empr <- despesa_gdf_analise_sub %>% select(cnpj) %>% distinct() qtd_empr <- count(qtd_empr) # por ano qtd_empr.ano <- despesa_gdf_analise_sub %>% select(cnpj,ano) %>% distinct() %>% group_by(ano) %>% summarise(n=n()) %>% spread(ano,n) # Gasto por uf uf <- despesa_gdf_analise_sub %>% mutate(uf = ifelse(is.na(uf)==T,"Outros",uf), ForaDF = ifelse(uf=="DF"|uf=="SP"|uf=="RJ"|uf=="GO",uf, ifelse(is.na(uf)==T,"Outros","Outros"))) %>% group_by(ForaDF,ano) %>% summarise(despesa=round(sum(despesa,na.rm = T)/10^6,1)) %>% dplyr::filter(complete.cases(ano),complete.cases(ForaDF)) %>% arrange(ano) uf.a <- despesa_gdf_analise_sub %>% mutate(ForaDF = ifelse(is.na(uf)==T,"Outros",uf)) %>% group_by(ForaDF,ano) %>% summarise(despesa=round(sum(despesa,na.rm = T)/10^6,2)) %>% group_by(ano) %>% mutate(prop=prop.table(despesa)) %>% arrange(ano,ForaDF) uf.b <- despesa_gdf_analise_sub %>% mutate(uf = ifelse(is.na(uf)==T,"Outros",uf), ForaDF = ifelse(uf=="DF"|uf=="SP"|uf=="RJ"|uf=="GO"|uf=="MT"|uf=="MS"|uf=="MG"|uf=="RO",uf, ifelse(is.na(uf)==T,"Outros","Outros"))) %>% group_by(ForaDF,ano) %>% summarise(despesa=round(sum(despesa,na.rm = T)/10^6,2)) %>% dplyr::filter(complete.cases(ano),complete.cases(ForaDF)) %>% arrange(ano) uf.prop <- uf %>% group_by(ForaDF) %>% summarise(despesa=sum(despesa)) %>% mutate(Total = round(100*prop.table(despesa),0)) uf.wide <- uf %>% group_by(ForaDF,ano) %>% summarise(despesa=sum(despesa)) %>% spread(ano,despesa) uf.prop.wide <- uf %>% group_by(ForaDF,ano) %>% summarise(despesa=sum(despesa)) %>% group_by(ano) %>% mutate(Total = round(100*prop.table(despesa),0))%>% select(-despesa) %>% spread(ano,Total) # Evolução anual por categoria economica da despesa cat_despesa <- despesa_gdf_analise_sub %>% group_by(categoria_economica,ano) %>% summarise(despesa=round(sum(despesa,na.rm = T)/10^9,3)) %>% arrange(ano) cat_despesa.prop <- cat_despesa %>% group_by(categoria_economica) %>% summarise(despesa=sum(despesa)) %>% mutate(Total = round(100*prop.table(despesa),0)) cat_despesa.wide <- cat_despesa %>% group_by(categoria_economica,ano) %>% summarise(despesa=sum(despesa)) %>% spread(ano,despesa) cat_despesa.prop.wide <- cat_despesa %>% group_by(categoria_economica,ano) %>% summarise(despesa=sum(despesa)) %>% group_by(ano) %>% mutate(Total = round(100*prop.table(despesa),0))%>% select(-despesa) %>% spread(ano,Total) funcao_despesa <- despesa_gdf_analise_sub %>% mutate(funcao = ifelse(funcao=="Saúde"|funcao=="Urbanismo"|funcao=="Administração"|funcao=="Transporte"|funcao=="Educação",funcao, ifelse(is.na(funcao)==T,"Outros","Outros"))) %>% group_by(funcao,ano) %>% summarise(despesa=round(sum(despesa,na.rm = T)/10^9,3)) %>% arrange(ano) funcao_despesa.prop <- funcao_despesa %>% group_by(funcao) %>% summarise(despesa=sum(despesa)) %>% mutate(Total = round(100*prop.table(despesa),0)) funcao_despesa.wide <- funcao_despesa %>% group_by(funcao,ano) %>% summarise(despesa=sum(despesa)) %>% spread(ano,despesa) funcao_despesa.prop.wide <- funcao_despesa %>% group_by(funcao,ano) %>% summarise(despesa=sum(despesa)) %>% group_by(ano) %>% mutate(Total = round(100*prop.table(despesa),0))%>% select(-despesa) %>% spread(ano,Total) #Nível de concentração dos mercados por função concentracao <- despesa_gdf_analise_sub %>% group_by(ano,funcao,cnpj) %>% summarise(despesa = sum(as.numeric(despesa),na.rm=T)) %>% group_by(ano,funcao) %>% summarise(HH = sum(prop.table(despesa)^2,na.rm=T), despesa=round(sum(despesa,na.rm=T)/10^6,0)) %>% mutate(rank = rank(-despesa,ties.method = "first"),NEE = round(1/HH,2)) # resumo classificacao resumo_class_despesa <- class_despesa %>% group_by(classif_credor) %>% summarise(despesa=mean(despesa)) %>% mutate(prop=round(100*prop.table(despesa),0)) %>% dplyr::filter(classif_credor == "Setor Privado") #resumo uf resumo_uf <- uf %>% group_by(ForaDF) %>% summarise(despesa=mean(despesa)) %>% mutate(prop=round(100*prop.table(despesa),0)) %>% dplyr::filter(ForaDF == "DF") # Exploratória das despesas pagas a empresas com ou sem empregado valor.med.vinculos <- base_diff %>% filter(credor_GDF=="CredorGDF",is.na(setoreconomico)==F) %>% dplyr::select(cnpj,ano,credor_GDF,condicao_vinculos,despesa) %>% group_by(ano,condicao_vinculos) %>% summarise(Med.despesa=mean(despesa)) %>% spread(condicao_vinculos,Med.despesa) %>% ungroup() empresas_DF <- base_diff %>% group_by(ano,treated,setoreconomico) %>% summarise(GDF=sum(despesa,na.rm=T), salarios=sum(salario_total*13,na.rm=T), media.salarios=mean(salario_medio,na.rm=T), media.gdf_input=mean(gdf_input,na.rm=T), empresas=n()) empresas_GDF <- base_diff %>% filter(treated==1) %>% group_by(ano,setoreconomico) %>% summarise(GDF=sum(despesa,na.rm=T), salarios=sum(salario_total*13,na.rm=T), media.salarios=mean(salario_medio,na.rm=T), media.gdf_input=mean(gdf_input,na.rm=T), empresas=n()) %>% group_by(ano) %>% mutate(GDF_pct=prop.table(GDF)) %>% ungroup() qtd_empr.ano <- despesa_gdf_analise %>% dplyr::select(cnpj,ano) %>% distinct() %>% count(ano) #Nível de concentração dos mercados por função ``` # Resumo {.unnumbered .tabset .tabset-pills} - A pesquisa utiliza dados da transparência do Governo do Distrito Federal (GDF) sobre as despesas efetivamente pagas pelo GDF, de 2016 a 2020, dados de CNPJ da Receita Federal, dados da Relação Anual de Informações Sociais (RAIS) identificada e dados de geolocalização da Codeplan. Dados financeiros foram calculados a preços de 2022. - Analisamos as despesas do GDF associadas aos CNPJs cujo credor é do Setor Privado. Este estudo é pioneiro, pois mobiliza dados de diversas fontes, enfocando a unidade mais desagregada e tangível da efetivação do gasto público: os pagamentos realizados, discriminados por credor. - O objetivo é avaliar o papel do GDF como consumidor de bens e serviços através do mapeamento das despesas públicas. Identificamos o perfil de consumo do governo e como este pode fomentar a economia local do DF através de seu gasto. - Encontramos pouca variação no total de despesas pagas ao setor privado no período 2016 a 2020. No período analisado, as despesas com o Setor Privado foram em média de `r resumo_class_despesa %>% pull(despesa) %>% round(2)` bi por ano, o que representa, aproximadamente, `r resumo_class_despesa %>% pull(prop)`% da despesa total. - Sobre a distribuição por UF, constatamos que o GDF destina a maior parte de seus recursos para pagamento dos credores do próprio DF, em média de `r resumo_uf %>% mutate(despesa=despesa/10^3) %>% pull(despesa) %>% round(2)` bi por ano, o que representa aproximandamente, `r resumo_uf %>% pull(prop)`% da despesa no Setor Privado período. - Sobre os padrões espaciais da distribuição dos pagamentos do GDF, há grande concentração no Plano Piloto, seguida de Taguatinga, Ceilândia, Guará e Samambaia, com pequena presença também em Gama, Sobradinho e pontos mais esparsos, como em Brazlândia e Planaltina. Há indicação de um vetor de desenvolvimento associado à saída sudoeste e sul da cidade. - Na comparação entre empresas do DF que receberam recursos do GDF e empresas que não receberam recursos, as que receberam são mais antigas e têm, em média, mais empregados. No setor de comércio essas diferenças são menores e no de construção são maiores. - De forma geral, a relação entre empregos e valores recebidos é positiva, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. - A partir da aplicação de um modelo estatístico de pareamento, que verifica se passar a receber valores do GDF faz com que as empresas gerem mais empregos, encontramos evidências apontando em sentido opostos. - Nos biênios 2016-2017, 2017-2018 e 2018-2019, a exemplo de desenho similar feito em outro estudo para os períodos 2010-2011, 2012-2013, 2013-2014 e 2014-2015, não foi encontrado esse efeito. - Entretanto, para o biênio 2019-2020, ano da pandemia, foi encontrado um efeito positivo de ser credor do GDF para a manutenção de empregos. ## Instruções de uso {.unnumbered} <blockquote> O uso deste relatório interativo é intuitivo e simples. Passe o mouse sobre os gráficos para ver totais e porcentagens, clique as caixas de seleção para filtrar os dados por categorias específicas, clique em cores para destacar. Em caso de dúvidas acerca do uso da nota ou sobre o código-base que a gerou, entre em <a href="mailto:frederico.bertholini@unb.br?Subject=nota%20despesas" target="_top">contato conosco </a>. </blockquote> # Introdução O objetivo deste trabalho é analisar a evolução, composição e espacialização das despesas e investimentos governamentais do Governo do Distrito Federal (GDF), no período de 2016 a 2020. Para tanto, foram utilizadas as informações das despesas emitidas pelo GDF neste período. Assim, analisamos o perfil do GDF como consumidor de bens e serviços e de que maneira as compras públicas e convênios com recursos do GDF se distribuem entre UFs e dentro do Distrito Federal. Investigamos se o GDF tende a comprar mais de empresas privadas localizadas no próprio território do Distrito Federal e como essas compras se distribuem por esse mesmo território. Além disso, classificamos as despesas pelas características dos credores, a fim de entender em que áreas de sua atuação o GDF gasta mais recursos. Em economia, há uma larga discussão sobre a importância do gasto público com o crescimento econômico, com enfoque na relação existente entre gastos chamados "produtivos" (investimentos) e os ditos "improdutivos" (custeio). Contudo, poucos são os estudos que lançam olhar sobre a composição e espacialização dos gastos governamentais na tentativa de compreender como essas divisões podem estimular a atividade econômica. Além disso, a compreensão do custeio como improdutivo pode ser bastante questionada, uma vez que as compras do Estado, tanto de serviços como de produtos, pode e deve movimentar a economia local. Assim, tratamos os gastos públicos como elemento importante de fomento da economia, gerando riqueza e empregos na sociedade. Sob um cenário restritivo, como é o atual, entender como os gastos governamentais são realizados pode contribuir para a racionalização dos recursos, uma vez que as contenções de despesas são mandatórias nessa conjuntura. O estudo é inovador porque não observa as fases orçamentárias da despesa pública, como empenhamento, liquidação e pagamento, mas está centrado em como os recursos que o GDF coloca de volta no mercado, seja em investimento, seja em custeio, efetivamente se distribuem entre os agentes econômicos no espaço. # Método Utilizamos como fonte principal de informações as despesas pagas pelo GDF para o período de 2016 a 2020, disponibilizada no site da transparência. A maior parte do esforço metodológico para a produção deste relatório está relacionada ao processamento e compatibilização de dados oriundos de diversas fontes, em diferentes formatos. O propósito é garantir um formato acessível e descritivo dos dados, propondo e adotando formas de classificação e localização no espaço, tanto dos credores quanto despesas por eles recebidas. Como fontes auxiliares de informação, de modo a georreferenciar as informações, foram utilizadas cinco bases de dados adicionais: a Relação Anual de Informações Sociais (RAIS), dos anos de 2002 a 2014; uma base construída e gentilmente compartilhada pelo Instituto de Pesquisa Econômica Aplicada (IPEA), a partir de um cruzamento de informações da RAIS 2013 e de uma base de endereços adquirida pelo Instituto; informações da Companhia Energética de Brasília (CEB); informações da Companhia de Saneamento Ambiental do Distrito Federal (CAESB); e uma base do Cadastro Nacional de Endereços para Fins Estatísticos (CNEFE), do IBGE. Todos os cruzamentos entre as bases de dados se deu pelo número do CNPJ dos credores (código do credor), o qual foi padronizado em todas as bases para o tamanho de um CNPJ (14 dígitos numéricos) e validados pelo seu algoritmo de construção. Todos os valores monetários foram atualizados pelo IPCA, para o mês de agosto de 2022, tornando todos os valores comparáveis no período de análise. Da base de estabelecimentos da RAIS, foram consideradas como empresas do DF todos os estabelecimentos cujo município de sede do cnpj respondente foi a capital Federal. Uma vez que um mesmo cnpj poderia aparecer mais de uma vez na base de estabelecimento, foram selecionadas as informações cujo Cadastro Específico do INSS -- CEI -- estava preenchido com zeros. Para empresas que apareciam mais de uma vez na base de dados, mas não apresentavam o campo CEI preenchido com zeros, foram selecionadas as informações da primeira ocorrência de acordo com a ordem crescente de CEI. Dessa base de estabelecimentos foram extraídas as informações de classe de atividade econônimca (CNAE), a natureza jurídica, o tempo de abertuda, a unidade de federação, bem como a numeração do cnpj, utilizada como chave de ligação entre todas as fontes de informação. Da base de vínculos da RAIS, foram extraídas as seguintes informações, para cada cnpj: número de empregos, baseado na soma do número de pessoas com vínculo ativo em 31 de dezembro do ano de referência e com salários médios anuais maiores que zero; a moda da escolaridade e da profissão dos funcionários, com base no Código Brasileiro de Ocupações (CBO); a média da idade e do tempo de emprego dos funcionários; a soma dos salários médios pagos por cada empresa -- a massa salarial; e a média dos salários e das horas contratadas. Essas informações de empregos foram cruzadas com a base de estabelecimentos da RAIS, formando uma fonte de informações unificada, de estabelecimentos e empregos. Partiu-se primeiro da base de estabelecimentos da RAIS porque que nem todas as empresas possuem vínculos com trabalhadores, sendo os dois tipos de empresas credoras do GDF. Finalmente, as informações das Despesas foram levadas a base únificada da RAIS, formando uma nova base de dados, com informações das características dos estabelecimentos, da força de trabalho das empresas que contratam diretamente mão-de-obra e das Despesas daquelas que negociaram com o GDF durante o período de análise. Por uma questão de comparabilidade, as empresas analisadas nesta Nota Técnica serão apenas as que constam na RAIS no período de análise. Por isso, pode haver algumas diferenças de totalização em relação a trabalhos anteriores. ## Identificação do tipo de credor A identificação dos tipos de credores foi realizada a partir da combinação das informações disponíveis nos códigos de Grupo da Despesa e nos códigos de credores. Os grupos de despesa extraídos das informações orçamentárias são: "pessoal e encargos sociais", "juros e encargos da dívida", "outras despesas correntes", "investimentos", "inversões financeiras", "amortização da dívida", "reserva orçamentária do RPPS" e "reserva de contingência". Para os códigos de credores: códigos com marcações "FP" foram classificados como "Folha de Pagamento"; códigos com informações de duas unidades gestoras do GDF foram classificados como "Trocas Intragovernamentais"; os códigos numéricos com menos de 11 dígitos foram preenchidos com zeros à esquerda e testados pelo algoritmo de validação de CPF, sendo os casos positivos assim classificados; para os demais códigos numéricos, foram acrescentados zeros à esquerda até que completassem 14 dígitos e aplicado o algoritmo de validação de CNPJ, sendo os casos verdadeiros assim classificados; para os códigos cujo credor continha palavras relacionadas ao governo federal ou de outra unidade federativa ("fundo nacional", "receita federal", "bacen", "ministério", "secretaria", "tribunal"...) foram classificados como "Trocas Intergovernamentais"; para os códigos cujo credor continha as palavras relacionadas ao Banco de Brasília (banco de "brasilia", "banco regional de brasilia", "brb") foram classificados como "Banco de Brasília"; e os casos remanescentes foram classificados como outros itens (os quais totalizaram menos de 1% dos casos). A combinação destas duas classificações permitiu uma identificação mais adequada da combinação OB-credor em 5 tipos: "Despesas com o Setor Privado", "Investimento no Setor Privado" -- estes dois primeiros o foco de nossa análise, "Governo", "Folha, benefícios e ressarcimento" e "Operações financeiras". Uma vez que o a base de despesas não continha pagamentos efetuados com recursos oriundos do Fundo Constitucional do Distrito Federal (FCDF) no período de 2016 a 2020, para que as informações fossem comparáveis não foram consideradas despesas emitidas com tal fonte de recursos. Dessa forma, os valores aqui apresentados podem não ser diretamente comparáveis outras fontes de informação, como o Portal da Transparência. ```{r} hchart(height = 400, class_despesa, "area", hcaes(group=classif_credor,y=despesa,x=ano)) %>% hc_title(text = "Despesas por tipo de credor - 2016-2020") %>% hc_subtitle(text = "Em bilhões de R$") %>% hc_xAxis(categories=c(2016:2020)) %>% hc_plotOptions(zoomtype = "x",area=list(stacking=TRUE, marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.2f} bilhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` Seguindo esta classificação, podemos identificar o total de recursos que, anualmente, o GDF dispende em despesas e qual a fatia destinada aos gastos no Setor Privado em comparação com outros credores do governo. A série histórica aponta que as despesas correntes com os credores objeto de análise concentram cerca de `r class_despesa.prop[1,3]`% do valor das despesas emitidas entre 2016 e 2020, enquanto os investimentos representaram cerca de `r class_despesa.prop[4,3]`%. Contudo, os valores de 2015 se assemelham em muito aos de 2011, primeiro ano da gestão anterior, assim como a 2010 e 2012. Na verdade, houve expansão dos gastos em 2013 e 2014, colocando a redução de 2015 em perspectiva, retornando esta, na verdade, a padrões anteriores. ## Georreferenciamento dos credores No que tange ao georreferenciamento das empresas, para todos os CNPJs que apareciam mais de uma vez nas bases adicionais, as coordenadas foram ajustadas para os pontos médios de suas distâncias. As variáveis de latitude e longitude foram construídas a partir do seguinte critério de prioridade: em primeiro lugar, foram utilizadas as informações da base IPEA, classificadas com quatro ou três estrelas de precisão (ponto exato ou centro do logradouro do CNPJ); para os CNPJs remanescentes, a segunda base de dados utilizada foi a da CEB; em seguida, utilizou-se a base da CAESB; a quarta base consultada foi a do CNEFE; por fim, utilizou-se novamente a base do IPEA, com classificações de duas ou uma estrela (centro do setor censitário ou do município, respectivamente). Como as bases de dados adicionais concentram informações de empresas do Distrito Federal, a maioria das localizações se deu para empresas da capital federal. Com o intuito de adicionar maior informação as demais empresas, foi criada uma variável para as unidades da federação (UF), tendo como informação principal a RAIS de 2002 a 2014, seguida pelos mesmos critérios utilizados na definição das latitudes e longitudes. Adicionalmente, informações referentes à classe de atividade econômica (seção) e natureza jurídica das empresas também foram coletadas da RAIS. # Análise da Despesas emitidas ao Setor Privado Nossa análise, portanto, restringir-se-á aos credores tipificados como entidades privadas que venderam algum tipo de produto ou serviço ao GDF entre 2016 e 2020. Estes diferentes credores estão distribuídos ao longo dos anos da seguinte forma: ```{r} qtd_empr.ano <- despesa_gdf_analise_sub %>% select(cnpj,ano) %>% distinct() %>% group_by(ano) %>% summarise(empresas=n()) hchart(height = 300, qtd_empr.ano, "column", hcaes(y=empresas,x=ano)) %>% hc_title(text = "Quantidade de empresas analisadas por ano 2016-2020") %>% hc_xAxis(categories=c(2016:2020)) %>% hc_plotOptions(zoomtype = "x",options = list(height = 300)) %>% hc_legend(enabled = FALSE) %>% hc_tooltip(pointFormat = 'Empresas: {point.y:,.0f} ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) #plotSparkTable (sparkTab , outputType =" html " , filename =" t1 ") ``` ## Localização das Empresas por UF Passando para a análise da UF de origem das empresas privadas, percebe-se que o GDF concentrou seus pagamentos por produtos ou serviços em empresas estabelecidas dentro do próprio Distrito Federal. De 2016 a 2020, cerca de dos dispêndios eram direcionados ao DF, chegando a 83% em 2015. Fora do DF, o GDF concentrou seus dispêndios em São Paulo, Goiás, Rio de Janeiro e Minas Gerais. ```{r} hchart(height = 400, uf, "bar", hcaes(y=despesa,x=ano,group=ForaDF)) %>% hc_title(text = "Recursos por UF - 2016-2020") %>% hc_subtitle(text = "Em milhões de R$") %>% hc_xAxis(categories=c(2016:2020)) %>% hc_plotOptions(zoomtype = "x",bar=list(stacking="percent", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.0f} milhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` ## Despesas correntes e despesas de capital No que diz respeito à categoria econômica da despesa, as despesas de capital representavam cerca de ¼ no primeiro anos da série, chegando a cerca de 1/3 no período que vai de 2012 a 2014, reduzindo-se para o menor proporção em 2015 -- cerca 12%. É possível observar, comparando porcentagens e valor total por categoria, que o volume das despesas correntes não variou de forma significativa no período, apesar do aumento em 2013 e 2014, e que em momentos de retração ou expansão, a maior variação ocorre no investimento. ```{r} hchart(height = 300, cat_despesa, "spline", hcaes(group=categoria_economica,y=despesa,x=ano)) %>% hc_title(text = "Categoria Econômica da Despesa") %>% hc_subtitle(text = "Em bilhões de R$") %>% hc_xAxis(categories=c(2016:2020)) %>% hc_plotOptions(zoomtype = "x",column=list(stacking="percent", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.2f} bilhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` ## Função de Governo Dentre as funções que mais concentraram os investimentos, tem-se o urbanismo, o transporte e a administração, que somam juntas cerca de 70% dos valores ao longo do período (com exceção de 2011, ano em que desporto e lazer representou sozinho quase 30% dos investimentos). No que tange as despesas correntes, administração (cerca de 16%), urbanismo (cerca de 11%), saúde (cerca de 35%) e educação (cerca de 12%) são as funções que mais consomem recursos, com cerca de ¾ do total de Despesas emitidas. Quando se analisa a composição investimento e gasto corrente dentro das funções, nota-se que para todas elas a parcela de investimento é bastante reduzida, com exceção de urbanismo e transporte. A serie temporal mostra um encolhimento dos investimentos em todas as funções. ```{r,eval=T} hchart(height = 300, funcao_despesa, "column", hcaes(group=funcao,y=despesa,x=ano)) %>% hc_title(text = "Funções de Governo") %>% hc_subtitle(text = "Em milhões de R$") %>% hc_chart(type="column") %>% hc_xAxis(categories=2016:2020) %>% hc_plotOptions(zoomtype = "x",column=list(stacking="normal", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.2f} bilhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` # Identificação de padrões espaciais Um dos aspectos mais interessantes do método empregado nesta nota é a possibilidade de identificação de padrões espaciais, a partir do mapeamento de credores do GDF que se encontram no território do Distrito Federal. Os pontos em vermelho representam uma empresa ou conjunto de empresas localizadas na mesma referência geográfica. É sempre importante lembrar, no entanto, que os dados de geolocalização dizem respeito às infromações inseridas pelas empresas como registro , não havendo referência exata ao local de aplicação do recurso contratado pelo governo, algo ainda impossível de ser mapeado de forma sistematizada. As cores que vão de roxo a amarelo são manchas de calor dos pontos, ponderadas pelo valor da despesa, quanto mais amarelo, maior a concentração de recursos. ## Evolução anual da mancha de credores {.tabset .tabset-pills} Ao se analisar a distribuição das Despesas dentro do território, percebe-se uma clara concentração na região central do Distrito Federal. Regiões como Plano Piloto, SIA, e Guará concentram as empresas com as quais o GDF mantém relação, tanto em quantidade, quanto em valores. Além dessas regiões, pode-se notar também uma boa concentração em Taguatinga, Ceilândia, Samambaia, Gama e Sobradinho, além de pontos mais esparsos em Brazlândia e Planaltina. Não houve mudanças significativas na mancha ao longo dos anos. ```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T,include=F} # lendo dado mapa dado_mapa <- read_rds("dado_mapa.rds") # lendo gg de base - objeto q usa shape e raster de brasilia mapa_gg <- read_rds("mapa_gg.rds") ``` ::: panel-tabset ### 2016 {.unnumbered} ```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T} mapa_gg + geom_point(data=dado_mapa %>% dplyr::filter(ano==2016), aes(x=longitude, y=latitude,size=(despesa/10^6)), color="dark red", alpha=.5, ) + stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2016), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa), geom="polygon") + scale_fill_viridis(option="inferno") + scale_alpha(range=c(0.2, 0.4), guide="none") + facet_wrap(vars(ano)) + coord_sf(crs = st_crs(4326)) + theme_nothing() ``` ### 2017 {.unnumbered} ```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T} mapa_gg + geom_point(data=dado_mapa %>% dplyr::filter(ano==2017), aes(x=longitude, y=latitude,size=(despesa/10^6)), color="dark red", alpha=.5, ) + stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2017), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa), geom="polygon", size=2) + scale_fill_viridis(option="inferno") + scale_alpha(range=c(0.2, 0.4), guide="none") + facet_wrap(vars(ano)) + coord_sf(crs = st_crs(4326)) + theme_nothing() ``` ### 2018 {.unnumbered} ```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T} mapa_gg + geom_point(data=dado_mapa %>% dplyr::filter(ano==2018), aes(x=longitude, y=latitude,size=(despesa/10^6)), color="dark red", alpha=.5, ) + stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2018), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa), geom="polygon", size=2) + scale_fill_viridis(option="inferno") + scale_alpha(range=c(0.2, 0.4), guide="none") + facet_wrap(vars(ano)) + coord_sf(crs = st_crs(4326)) + theme_nothing() ``` ### 2019 {.unnumbered} ```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T} mapa_gg + geom_point(data=dado_mapa %>% dplyr::filter(ano==2019), aes(x=longitude, y=latitude,size=(despesa/10^6)), color="dark red", alpha=.5, ) + stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2019), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa), geom="polygon", size=2) + scale_fill_viridis(option="inferno") + scale_alpha(range=c(0.2, 0.4), guide="none") + facet_wrap(vars(ano)) + coord_sf(crs = st_crs(4326)) + theme_nothing() ``` ### 2020 {.unnumbered} ```{r, echo=FALSE,warning=FALSE,message=FALSE,eval=T} mapa_gg + geom_point(data=dado_mapa %>% dplyr::filter(ano==2020), aes(x=longitude, y=latitude,size=(despesa/10^6)), color="dark red", alpha=.5, ) + stat_density2d(data=dado_mapa %>% dplyr::filter(ano==2020), aes(x=longitude, y=latitude, fill=..level.., alpha=..level..,weight=despesa), geom="polygon", size=2) + scale_fill_viridis(option="inferno") + scale_alpha(range=c(0.2, 0.4), guide="none") + facet_wrap(vars(ano)) + coord_sf(crs = st_crs(4326)) + theme_nothing() ``` ::: ## Um olhar para os mercados de compras públicas: Nível de concentração de mercado por Função de Governo Um primeiro exercício de identificação dos mercados associados às Funções de Governo aponta que existem níveis de concentração bastante distintos e que essa concentração reage de forma diferente aos ciclos, de acordo com a Função. Mesmo entre funções importantes, como Saúde, Educação e Administração, é possível identifcar comportamentos de mercado não homogêneos. ```{r, echo=FALSE,warning=FALSE,message=FALSE} x1 <- c("{series.name}","Número efetivo de empresas", "Valor (milhões de R$)") y1 <- sprintf(c("","{point.y}","{point.z}"), c("funcao","NEE", "despesa")) tltip1 <- tooltip_table(x1, y1) hchart( concentracao, "bubble", hcaes(x = ano, y = NEE, group = funcao,z=despesa)) %>% hc_title(text = "Número efetivo de empresas por Função de Governo, despesa e ano")%>% hc_xAxis(title = "") %>% hc_yAxis(min=0,title="Número") %>% hc_tooltip(useHTML = TRUE, headerFormat = "", pointFormat = tltip1) ``` As próximas notas também permitirão mapear a atividade econômica das empresas que vendem para o GDF. Um dos aspectos interessantes, ao se analisar individualmente as empresas com maiores volumes de Despesas, é que estão presentes aquelas ligadas a vigilância e segurança, alimentação, serviços gerais, saneamento e construtoras. # Efeitos da despesa pública no número de empregados das empresas privadas Uma das principais indagações a respeito do papel do governo nas sociedades é se a atuação pública é capaz de dinamizar a economia e estimular a criação de empregos. O objetivo deste trabalho é estimar os impactos dos recursos oriundos da compra de bens e serviços pelo Governo do Distrito Federal (GDF) nos empregos gerados pelo setor privado local. Para tanto, esta Nota Técnica investiga um conjunto de variáveis econômicas relevantes associadas às empresas com sede no DF e que são credoras do GDF -- como setor econômico, natureza jurídica, tempo de funcionamento da empresa -- e a características da sua força de trabalho -- como quantidade de empregos, massa salarial, média de salários por hora, horas médias de trabalho contratadas, escolaridade e ocupação predominantes. Procura-se responder, por exemplo, qual a proporção representada pelas receita obtidas com vendas para o GDF na massa salarial total da empresas, quantos empregos a mais uma empresa gera por prestar serviço ao GDF e se há aumento médio de salários nestas empresas. As características das empresas credoras do GDF com sede no DF são comparadas *vis-a-vis* as características das empresas do DF que não negociam com o Governo Distrital, a partir de exercícios exploratórios e descritivos. São realizadas comparações sobre setor, tamanho e salário médio entre empresas que têm ou não negócios com o GDF, por exemplo. Para estimar os impactos das compras do GDF no emprego local, utilizou-se o método de diferenças em diferenças combinado com um pareamento por escore de propensão, de modo a se formar grupos de comparação (entre credores e não-credores) mais homogêneos. Adicionalmente, são trazidas também variáveis de contexto, a fim de se entender a participação das compras públicas no total do PIB distrital. O período analisado ficou restrito ao intervalo de anos entre 2016 e 2020, devido a questões de disponibilidade de dados, que serão esclarecidas na seção sobre a metodologia utilizada. ```{r comparação entre RAIS e GDF, message=FALSE, warning=FALSE, include=FALSE} OrdBanc_despesa <- base_diff %>% filter(treated==1) %>% group_by(Ano=ano) %>% summarise(`Valor despesas GDF`=round(sum(despesa,na.rm=T)/1000000000,3), `Qtd. Empresas GDF`=accounting(n(),big.mark = ".",format="fg")) rais_despesa <- base_diff %>% filter(is.na(setoreconomico)==F,treated==1) %>% group_by(Ano=ano) %>% summarise(`Valor despesas RAIS`=round(sum(despesa,na.rm=T)/1000000000,3), `Qtd. Empresas RAIS`=accounting(n(),big.mark = ".",format="fg")) confere <- left_join(OrdBanc_despesa,rais_despesa) %>% mutate(`Dif. valor despesas`=`Valor despesas GDF`-`Valor despesas RAIS`, `Dif. qtd. empresas`=`Qtd. Empresas GDF`-`Qtd. Empresas RAIS`) dif_2015 <- 1000*confere$`Dif. valor despesas`[5] ``` ## Consistência dos dados {.unnumbered} Existe uma questão de consistência temporal entre a RAIS e o recebimento das despesas que merece ser mencionada. Nem sempre o valor da despesa recebido no ano $t_n$ se refere a um um produto ou serviço empenhados em $t_n$. É possível que uma empresa receba o valor da despesa em $t_n$, por um serviço realizado em $t_{n-1}$, e não esteja presente na RAIS no período em questão. Nesses casos, essa empresa não entra na análise, uma vez que as informações utilizadas da RAIS são cruzadas de acordo com o ano de recebimento da despesa. Por essa razão, há diferenças em relação aos valores totalizados nos registros do GDF e os valores totalizados a partir dos registros da RAIS. Estas diferenças são relativamente irrelevantes entre 2010 e 2013, entretanto, em 2014, elas totalizam cerca de `r dif_2015` milhões de reais. ## Diferenças entre fontes {.unnumbered} ```{r tabela de comparação, echo=FALSE, message=FALSE, warning=FALSE} detachPackage("plotly") above_avg_bold <- formatter("span", style = x ~ style("font-weight" = ifelse(x > mean(x), "bold", NA))) formattable(confere, # formatter=(format(big.mark=".")), rownames = F, # list( # area(col = `Dif. valor despesas`) ~ normalize_bar("pink", 0.1), # area(col = `Dif. qtd. empresas`) ~ normalize_bar("yellow", 0.1) # ), list(`Dif. valor despesas`=above_avg_bold, `Dif. qtd. empresas`=above_avg_bold), caption="Valores em bilhões de reais") ``` ## Quantidade de empresas analisadas {.unnumbered} ```{r empresas analisadas, echo=FALSE, message=FALSE, warning=FALSE} # Quantidade de empresas analisadas por ano empresas.ano <- base_diff %>% filter(is.na(setoreconomico)==F) %>% select(cnpj,ano,credor_GDF) %>% group_by(ano,credor_GDF) %>% summarise(n=n()) %>% spread(credor_GDF,n) %>% ungroup() %>% mutate(Total=CredorGDF+Outros, CredorGDF_pct=round(100*CredorGDF/Total,2), Outros_pct=round(100*Outros/Total,2)) highchart(height = 300) %>% hc_title(text = "Quantidade de empresas analisadas - 2016-2020") %>% hc_xAxis(categories=c(2016:2020)) %>% hc_yAxis_multiples( list( title = list(text = "Quantidade de Empresas"), align = "left", showFirstLabel = FALSE, showLastLabel = TRUE, labels = list(format = "{value}", useHTML = TRUE) ), list( title = list(text = "% do Total"), align = "right", showFirstLabel = FALSE, showLastLabel = TRUE, labels = list(format = "{value}"), opposite = TRUE ) ) %>% hc_add_series(type="column",data=empresas.ano$Outros,name="Não-credores do GDF") %>% hc_add_series(type="column",data=empresas.ano$CredorGDF,name="Credores do GDF") %>% hc_add_series(type="column",data=empresas.ano$Total,name="Total de Empresas do DF") %>% hc_add_series(type="spline",data=empresas.ano$CredorGDF_pct,name="% do total de empresas do DF", yAxis = 1) %>% hc_plotOptions(zoomtype = "x",options = list(height = 300)) %>% hc_legend(enabled = TRUE) %>% hc_tooltip(pointFormat = '{series.name}: {point.y:,.2f} ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` Nota-se que o número de empresas que declararam a RAIS e cuja sede era o DF cresceu durante todo o período, passando de `r empresas.ano[1,4]` em 2010 para `r empresas.ano[5,4]` em 2014, um crescimento de quase 9% no período. Dessas, apenas uma pequena fração, cerca de `r round(mean(empresas.ano$CredorGDF_pct),1)`%, eram credores do GDF (cerca `r round(mean(empresas.ano$CredorGDF),0)`, em termos absolutos). # Caracterização das empresas do DF ## {.unnumbered .tabset .tabset-pills} ### Variáveis de comparação {.unnumbered} Este trabalho pretende realizar uma comparação entre empresas credoras do GDF com sede no DF e as demais empresas com sede no DF. Antes de seguir às estimações, porém, é fundamental caracterizar o conjunto de empresas que serão analisadas. Esta seção discute as diferenças de perfil entre credoras do GDF e não credoras, por setor econômico da atividade, com relação a *tamanho* e *tempo de existência* das empresas. ## Tamanho - quantidade de empregos O primeiro passo descritivo é caracterizar as empresas analisadas quanto ao número de empregos ativos. A informação de empregos da RAIS é obtida a partir da soma de vínculos ativos ao final do ano. Tanto entre as credoras quanto entre as não-credoras há empresas sem vínculos ativos. Isso não implica que estas empresas não tenham empregado funcionários ao longo do ano, entretanto, para fins analíticos, esta foi a informação viável mais próxima. ```{r,echo=F,warning=F,message=F,out.height=200} # Número de vínculos maior que zero empresas.vinculos <- base_diff %>% filter(is.na(setoreconomico)==F) %>% select(cnpj,ano,credor_GDF,tamanho) %>% group_by(ano,credor_GDF) %>% summarise(pct_vinculos=100*mean(tamanho,na.rm=T)) %>% spread(credor_GDF,pct_vinculos) highchart(height = 300) %>% hc_title(text = "Porcentagem de empresas com pelo menos um empregado 2010-2014") %>% hc_subtitle(text = "Comparação entre Credores do GDF e não credores") %>% hc_xAxis(categories=c(2016:2020)) %>% hc_yAxis(title = list(text = "% com empregados"), align = "left", showFirstLabel = FALSE, showLastLabel = TRUE, labels = list(format = "{value}", useHTML = TRUE)) %>% hc_add_series(type="column",data=empresas.vinculos$CredorGDF,name="Credores do GDF") %>% hc_add_series(type="column",data=empresas.vinculos$Outros,name="Não-credores do GDF") %>% hc_plotOptions(zoomtype = "x",options = list(height = 300)) %>% hc_legend(enabled = TRUE) %>% hc_tooltip(pointFormat = '{series.name}: {point.y:,.1f}% ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` Pode-se perceber que há um percentual substancialmente maior de empresas com pelo menos um empregado entr os credores do GDF do que a média geral das demais empresas. Enquanto em torno de 65% das empresas credoras do GDF tinham pelo menos um empregado ao longo do período analisado, esse percentual é de cerca de 45% para as demais empresas. O mesmo tipo de análise pode ser feito tomando como base o setor de atividade da empresa. ```{r,echo=F,warning=F,message=F} # Número de vínculos maior que zero setor.vinculos <- base_diff %>% filter(is.na(setoreconomico)==F) %>% select(setoreconomico,ano,credor_GDF,tamanho) %>% group_by(setoreconomico,credor_GDF) %>% summarise(pct_vinculos=100*mean(tamanho,na.rm=T)) %>% spread(credor_GDF,pct_vinculos) %>% filter(setoreconomico!="Outros") highchart(height = 300) %>% hc_title(text = "Porcentagem de empresas com pelo menos um empregado 2010-2014") %>% hc_subtitle(text = "Comparação por setor") %>% hc_xAxis(categories=setor.vinculos$setoreconomico) %>% hc_yAxis(title = list(text = "% com empregados"), align = "left", showFirstLabel = FALSE, showLastLabel = TRUE, labels = list(format = "{value}", useHTML = TRUE)) %>% hc_add_series(type="column",data=setor.vinculos$CredorGDF,name="Credores do GDF") %>% hc_add_series(type="column",data=setor.vinculos$Outros,name="Não-credores do GDF") %>% hc_plotOptions(zoomtype = "x",options = list(height = 300)) %>% hc_legend(enabled = TRUE) %>% hc_tooltip(pointFormat = '{series.name}: {point.y:,.1f}% ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` Nota-se claramente que as empresas credoras do GDF dos setores de Comércio (`r round(setor.vinculos$CredorGDF[1],1)`%), Construção (`r round(setor.vinculos$CredorGDF[2],1)`%) e Indústria (`r round(setor.vinculos$CredorGDF[4],1)`%) têm percentuais consideravelmente superiores às empresas não credoras, ao passo que nos setores de Extração (`r round(setor.vinculos$CredorGDF[3],1)`%) e Serviços (`r round(setor.vinculos$CredorGDF[5],1)`%) estes percentuais são mais próximos. Para caracterizar melhor as empresas credores, o gráfico abaixo apresenta o porte das empresas baseado no número de empregados. Utilizou-se uma classificação usual entre "micro" (até 9 funcionários), "pequena" (de 10 a 49), "média" (de 50 a 99) e "grande" (100 ou mais) empresa, a fim de facilitar a visualização dos dados. ## {.unnumbered .tabset .tabset-pills} ::: panel-tabset ### empregados por setor {.unnumbered} ```{r, echo=FALSE, message=FALSE, warning=FALSE} trabalho <- base_diff %>% filter(is.na(setoreconomico)==F, setoreconomico!="Outros", setoreconomico!="Extração") %>% dplyr::select(setoreconomico,credor_GDF,vinculos) %>% mutate(porte = cut(vinculos, breaks = c(-Inf,10,50,100,Inf), labels =c("Micro", "Pequena", "Média", "Grande"))) %>% group_by(setoreconomico,porte,credor_GDF) %>% summarise(n=n()) %>% ungroup() %>% mutate(setor_credor=paste(credor_GDF,setoreconomico,sep="_")) %>% dplyr::select(-credor_GDF,-setoreconomico) %>% spread(setor_credor,n) t <- as.data.frame(t(trabalho[,2:ncol(trabalho)])) names(t) <- c(trabalho$porte) t$var <- rownames(t) rownames(t) <- NULL ta <- t %>% gather(porte,pct,1:4) %>% mutate(porte=factor(porte, levels=c(1,2,3,4), labels =c("Micro", "Pequena", "Média", "Grande"))) %>% separate(var, into=c("Credor","Setor"), sep = "_", remove = FALSE) ta1 <- ta %>% filter(Credor=="CredorGDF") ta2 <- ta %>% filter(Credor!="CredorGDF") hchart(height = 300, ta1, "bar", hcaes(group=porte,y=pct,x=Setor)) %>% hc_title(text = "Credores - Número de empregados 2010-2014") %>% hc_subtitle(text = "Em % do total") %>% hc_xAxis(categories=ta1$Setor) %>% hc_plotOptions(zoomtype = "x",bar=list(stacking="percent", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.0f} empresas) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) hchart(height = 300, ta2, "bar", hcaes(group=porte,y=pct,x=Setor)) %>% hc_title(text = "Não-credores - Número de empregados 2010-2014") %>% hc_subtitle(text = "Em % do total") %>% hc_xAxis(categories=ta2$Setor) %>% hc_plotOptions(zoomtype = "x",bar=list(stacking="percent", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.0f} empresas) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` ### Gráfico alternativo {.unnumbered} ```{r, message=FALSE, warning=FALSE, echo=FALSE} vinc.densidade <- base_diff %>% filter(is.na(setoreconomico)==F, vinculos>0,vinculos<500, setoreconomico!="Outros", setoreconomico!="Extração") %>% mutate(Credor=ifelse(credor_GDF=="CredorGDF","Sim","Não"), Setor=setoreconomico) %>% dplyr::select(Setor,ano,Credor,vinculos) yarrr::pirateplot(formula = vinculos ~ Credor+Setor, data = vinc.densidade, xlab = "", ylab = "Empregados (>0, <500)", main = "", pal="basel", point.bg=.3, point.o = .2, bar.f.col =.01) ``` ::: ## {.unnumbered} Dentre as empresas credoras do GDF, percebe-se que aquelas do setor de comércio concentram os empregos em estabelecimentos de pequeno porte, com até 9 funcionários, somando 54 dos X mil empregos observados nesse setor de atividade. Já a construção e os serviços são as atividades que mais apresentam empregos em empresas de maior porte, com mais de 20% dos empregos em empresas com 50 ou mais funcionários. Dentre as empresas que não negociam com o GDF, percebe-se que a maioria dos empregos está concentrada em empresas de pequeno porte, em todos os setores de atividades. No comércio, indústria e serviços, cerca de 80% dos empregos estão concentrados em empresas de pequeno porte, número um pouco menor na construção cívil -- 68%. Em suma, nota-se que as empresas credoras do GDF tem como características predominantes terem ao menos um empregado e serem de maior porte que aquelas não-credoras. A distribuição do número de empregos aponta que as empresas credoras do GDF tendem a ser maiores que as demais empresas, especialmente porque há proporcionalmente menos empresas sem empregados entre as credoras do Governo. Contudo, mesmo não levando em consideração as empresas sem vínculos, a mediana do número de empregos -- uma medida melhor que a média, por conta de alguns valores extremamente altos fora de padrão -- é superior entre as empresas que receberam ordens bacárias. ## Tempo de atividade É interessante comparar o tempo de atividade dessas empresas, a fim de identificar se empresas credoras do GDF são mais novas ou mais antigas, em média, do que as demais. Cumpre ressaltar que estas distribuições são relativamente constantes ao longo do tempo, por isso optou-se por apresentar apenas as comparações por setor, já que há maior variabilidade dos dados nesta dimensão. Os dados sobre tempo de vida das empresas estão diponíveis apenas para o período 2016-2020. ```{r,echo=F,warning=F,message=F} # Número de vínculos maior que zero setor.tempo <- base_diff %>% dplyr::filter(is.na(setoreconomico)==F,idade>0) %>% select(setoreconomico,credor_GDF,tamanho,idade) %>% mutate(tamanho_credor=paste(credor_GDF,tamanho,sep="_")) %>% group_by(setoreconomico,tamanho_credor) %>% summarise(tempo=median(idade,na.rm=T)) %>% spread(tamanho_credor,tempo) %>% filter(setoreconomico!="Outros",setoreconomico!="Extração") highchart(height = 300) %>% hc_add_series(type="column",data=setor.tempo$CredorGDF_1,name="Credores do GDF") %>% # hc_add_series(type="column",data=setor.tempo$CredorGDF_0,name="Credores do GDF - sem empregados") %>% hc_add_series(type="column",data=setor.tempo$Outros_1,name="Não-credores do GDF") %>% # hc_add_series(type="column",data=setor.tempo$Outros_0,name="Não-credores do GDF - sem empregados") %>% hc_title(text = "Tempo de existência em anos 2016-2020") %>% hc_subtitle(text = "Comparação por credores e existência de empregados") %>% hc_xAxis(categories=setor.tempo$setoreconomico) %>% hc_yAxis(title = list(text = "Anos de existência"), align = "left", showFirstLabel = FALSE, showLastLabel = TRUE, labels = list(format = "{value}", useHTML = TRUE)) %>% hc_plotOptions(zoomtype = "x",options = list(height = 300)) %>% hc_legend(enabled = TRUE) %>% hc_tooltip(pointFormat = '{series.name}: {point.y:,.1f} anos ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` Fica nítido, a partir da comparação de tempo de existência que, no geral, as empresas credoras do GDF tendem a ser mais longevas do que as não credoras e que especialmente as credoras com empregados têm tempo de vida maior. ## Data de Inicio da atividade É interessante comparar a data de início da atividade dessas empresas, a fim de identificar se empresas credoras do GDF são mais novas ou mais antigas, em média, do que as demais. ```{r} base_diff %>% dplyr::select(cnpj,data_inicio_atividade,credor_GDF) %>% distinct() %>% mutate( mes_inicio_atividade = floor_date(data_inicio_atividade, "quarter"), ano_inicio_atividade = floor_date(data_inicio_atividade, "year") ) %>% dplyr::filter(mes_inicio_atividade > "1950-01-01", mes_inicio_atividade < "2021-12-31") %>% count(ano_inicio_atividade,credor_GDF) %>% mutate(mes_inicio_atividade = ano_inicio_atividade) %>% dplyr::filter(year(mes_inicio_atividade) > 1950, year(mes_inicio_atividade) < 2019) %>% ggplot(aes(x = mes_inicio_atividade, y = n,color=credor_GDF)) + geom_line(size = 1) + theme_minimal(14) + scale_x_date(breaks = scales::date_breaks("3 year"), labels = scales::date_format("%Y")) + # scale_y_continuous(limits = c(0, 800)) + labs(x = "Ano de início das atividades", y = "Quantidade de empresas") + facet_grid(rows = vars(credor_GDF),scales = "free_y") + theme(axis.text.x = element_text(angle = 45, hjust = 1), panel.grid.minor.x = element_blank(), legend.position = "none") ``` # Despesas: distribuição do tratamento Esta seção trata apenas das empresas credoras do GDF identificadas na RAIS, as quais receberam recursos em troca da venda de algum produto ou serviço. Para efeito da comparação que se pretende realizar, estes recursos estão sendo entendidos como uma espécie de "tratamento", para o qual se verificará efeito sobre a quantidade de empregos. ## Distribuição de recursos por setor É fundamental, em primeiro lugar, entender como funciona a distribuição dos recursos por setor econômico, dentro do total de pagamentos por bens e serviços contratados junto ao setor privado pelo governo local. ```{r,echo=F,warning=F,message=F} setor.despesa <- base_diff %>% filter(credor_GDF=="CredorGDF", is.na(setoreconomico)==F) %>% dplyr::select(setoreconomico,despesa,ano) %>% group_by(setoreconomico,ano) %>% summarise(despesa=round(sum(despesa,na.rm=T)/1000000,3)) %>% arrange(ano) setor.despesa.tab <- setor.despesa %>% # dplyr::select(-despesa) %>% spread(setoreconomico,despesa) setor.despesa.tab.pct <- setor.despesa.tab %>% mutate_each(funs(prop.table(.)),-ano) hchart(height = 300, setor.despesa, "column", hcaes(group=setoreconomico,y=despesa,x=ano)) %>% hc_title(text = "Valor das Despesas por setor-ano") %>% hc_subtitle(text = "Em milhões de R$") %>% hc_chart(type="column") %>% hc_xAxis(categories=levels(as.factor(setor.despesa$ano))) %>% hc_plotOptions(zoomtype = "x",column=list(stacking="normal", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.0f} milhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` Pode-se notar do gráfico acima que o setor de serviços é consistentemente o setor mais importante das compras públicas do GDF, com cerca de 65% do total de Despesas. A construção civil é o segundo setor mais relevante e também tem percentual relativamente estável ao longo do período, em torno de 24%, com exceção de 2011, quando esse percntual caiu a 17%. O comércio se situa em torno de 12% e a indústria, 2%. A extração é irrelevante, menos 0,1% em média, até mesmo por isso, não será objeto de análise. ## Relação entre recursos recebidos e tamanho da empresa {.tabset .tabset-pills} Para verificar esta relação, optou-se por limitar a análise da relação entre o recursos recebidos do GDF e a quantidade de empregos gerados aos quatro maiores setores econômicos, quais sejam, serviços, comércio, construção e indústria. A quantidade de empresas por ano no setor de extração e nos setores sem classificação eram menores que dez e os valores envolvidos substantivamente inferiores aos dos quatros principais setores. ::: panel-tabset ### Curvas ajustadas - dispersão {.unnumbered .tabset} ```{r scatter de emprego-despesa por setor ,echo=F,warning=F,message=F} trabalho.despesa <- base_diff %>% filter(credor_GDF=="CredorGDF",is.na(setoreconomico)==F, #tamanho==1, setoreconomico!="Extração") %>% mutate(porte = cut(vinculos, breaks = c(-Inf,10,50,100,Inf), labels =c("Micro", "Pequena", "Média", "Grande"))) %>% group_by(cnpj,setoreconomico,ano,porte) %>% summarise(log_valor = log(sum(as.numeric(despesa),na.rm=T)), log_trabalho = log(sum(as.numeric(vinculos),na.rm=T)), valor = round(sum(as.numeric(despesa),na.rm=T)/1000,2), trabalho = sum(as.numeric(vinculos),na.rm=T)) %>% ungroup() %>% mutate(trabalho=ifelse(trabalho>500,500,trabalho)) trabalho.despesa %>% ggplot(aes(y=log_valor,x=trabalho,color=ano))+ geom_point(alpha=0.0) + stat_smooth(method = "loess",se = T,size=1,alpha = 0.1,linetype=1) + # scale_color_brewer(palette="Reds") + facet_wrap(vars(setoreconomico)) + labs(x="Empregos",y="Valor despesa (log)") + ggthemes::theme_hc(base_family = "Arial") + theme(legend.title=element_blank()) ``` ### Densidade {.unnumbered .tabset} ```{r densidade emprego-despesa por setor,echo=F,warning=F,message=F} ggplot(data=trabalho.despesa,aes(x=log_valor,fill=porte))+ geom_density(alpha=0.4,size=0) + # scale_fill_brewer(palette="Set2") + xlab("Valor despesa (log)") + ylab("")+ facet_wrap(~setoreconomico) + # facet_wrap(~ano) + ggthemes::theme_hc(base_family = "Arial") + theme(legend.title=element_blank()) ``` ### Barras {.unnumbered .tabset} ```{r bins de emprego-despesa ,echo=F,warning=F,message=F} despesa.emprego.setor.ano <- base_diff %>% filter(credor_GDF=="CredorGDF", is.na(setoreconomico)==F, setoreconomico!="Outros", setoreconomico!="Extração") %>% dplyr::select(setoreconomico,vinculos,despesa,ano) %>% mutate(porte = cut(vinculos, breaks = c(-Inf,10,50,100,Inf), labels =c("Micro", "Pequena", "Média", "Grande"))) despesa.emprego.ano <- despesa.emprego.setor.ano %>% group_by(porte,ano) %>% summarise(despesa=sum(despesa,na.rm=T)/1000000) %>% ungroup() %>% tidyr::spread(ano,despesa) despesa.emprego.setor <- despesa.emprego.setor.ano %>% group_by(porte,setoreconomico) %>% summarise(despesa=sum(despesa,na.rm=T)/1000000) %>% ungroup() %>% tidyr::spread(setoreconomico,despesa) t <- as.data.frame(t(despesa.emprego.ano[,2:ncol(despesa.emprego.ano)])) names(t) <- c(despesa.emprego.ano$porte) t$var <- rownames(t) rownames(t) <- NULL ta <- t %>% gather(porte,pct,1:4) %>% mutate(porte=factor(porte, levels=c(1,2,3,4), labels =c("Micro", "Pequena", "Média", "Grande"))) hchart(height = 250, ta, "bar", hcaes(group=porte,y=pct,x=var)) %>% hc_subtitle(text = "Em % do total acumulado no ano") %>% hc_xAxis(categories=ta$var) %>% hc_plotOptions(zoomtype = "x",bar=list(stacking="percent", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.0f} milhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) t <- as.data.frame(t(despesa.emprego.setor[,2:ncol(despesa.emprego.setor)])) names(t) <- c(despesa.emprego.setor$porte) t$var <- rownames(t) rownames(t) <- NULL tb <- t %>% gather(porte,pct,1:4) %>% mutate(porte=factor(porte, levels=c(1,2,3,4), labels =c("Micro", "Pequena", "Média", "Grande")), pct=pct/5) hchart(height = 250, tb, "bar", hcaes(group=porte,y=pct,x=var)) %>% hc_subtitle(text = "Em % da média anual 2010-2014") %>% hc_xAxis(categories=tb$var) %>% hc_plotOptions(zoomtype = "x",bar=list(stacking="percent", marker=list(enabled=F))) %>% hc_tooltip(pointFormat = '{series.name}: {point.percentage:.1f}% ({point.y:,.0f} milhões) ', crosshairs = TRUE, shared = TRUE) %>% hc_exporting(enabled = TRUE) %>% hc_add_theme(hc_theme_smpl()) ``` ::: ## {.unnumbered} Pode-se inferir, pelos gráficos acima, que a relação entre tamanho da empresa e valor recebido é, de forma geral, positiva. Ou seja, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. Essa relação é mais intensa no setor de serviços e menos intensa no setor de comércio. Quando observados períodos de tempo específicos para alguns setores, pode-se concluir que esta relação, embora seja válida no geral, não é consistente o suficiente por período-setor para ser generalizada. No gráfico das curvas ajustadas a partir da dispersão o eixo x é a quantidade de empregos e o eixo y é são. A curvas apontam que, para o período analisado, há grande similaridade no comportamento das curvas no setor de serviços e no setor de construção. Para estes setores há relação forte entre valores recebidos e empregos gerados até aproximadamente empresas com 100 funcionários, porém, após esse ponto, a relação fica fraca, a curva segue paralela ao eixo x. A indústria tem um padrão relativamente estável, especialmente entre 2012 e 2014. Apenas o comércio apresenta um padrão completamente distinto entre todos os anos do período, sendo que, curiosamentem em 2014, há uma relação negativa entre tamanho e valores. Os gráficos de densidade apresentam informação similar, porém para o agregado do período e desconsiderando empresas sem vínculos. As cores sob as áreas representam o tamanho da empresa. Quanto mais a densidade da área está à direita, maior a concentração de valores recebidos, ou seja, valores maiores, quanto mais à esuqerda, menores os valores. É possível identificar o mesmo movimento geral depreendido das curvas ajustadas, empresas maiores tendem a receber mais. Os gráficos de barras empilhadas, por fim, destacam de forma mais simples a categoriação e o somatório total de Despesas por ano, bem como a média anual de Despesas por setor. Deste gráfico se pode concluir com clareza que, no setor de serviços, empresas grandes recebem cerca de 65% dos valores em Despesas, ao passo que, no comércio, esse percentual é de cerca de 18%. ## Importância do governo para as empresas Aprofundando o entendimento acerca # Testando hipóteses: qual o impacto do GDF no mercado de trabalho? {.tabset .tabset-pills} Para estimar o impacto de se receber valores do GDF na geração de empregos, utilizou-se o método de diferenças em diferenças, combinado com um pareamento por escore de propensão. Foi testado se as empresas que não receberam valores do GDF através de ordem bancária em um ano, mas passaram a receber no período subsequente, terminam o período com mais empregados vinculados à empresa. O grupo de comparação foi composto pelas empresas que não receberam valores do GDF em ambos os períodos. O objetivo de se fazer um pareamento foi tornar os dois grupos de empresas o mais parecido possível em suas características observáveis. Como as empresas que recebem valores do governo local podem ser consideravelmente diferentes daquelas que não recebem, procurou-se encontrar um grupo mais comparável. As características das empresas utilizadas para o pareamento foram: as médias das quantidades de horas contratadas, do salário e do tempo de empresa e a moda da escolaridade dos funcionários contratados, o tempo de funcionamento da empresa, se ela é a matriz e o setor de comparação. Tal pareamento foi aplicado no período em que nenhuma empresa recebia valores do GDF. Uma vez que podem existir características não observáveis das empresas que afetam a chance de ela negociar com o GDF, e.g. a capacidade gerencial, somente realizar o pareamento em características observáveis é eventualmente insuficiente para tornar ambos os grupos comparáveis. Partindo do pressuposto de que todas as características não observáveis dessas empresas são fixas no tempo, com o método de diferenças em diferenças essa questão é levada em consideração. Esse método consiste em calcular a diferença do número no período para os dois grupos de empresas (credores e não credores do GDF) e, então, calcular a diferença dessas diferenças, testando para a significância estatística desse resultado. As características não observáveis e fixas no tempo são anuladas ao se realizar as diferenças. ## Estimação {.unnumbered} ```{r, echo=FALSE, message=FALSE, warning=FALSE,eval=T,fig.height=3} ggplot(did_reg, aes(estimate, ano, color = ano)) + geom_point() + geom_errorbarh(aes(xmin = conf.low, xmax = conf.high), height = 0, size=1.5) + geom_vline(xintercept=0) + xlab("Efeito") + ylab("") + ggthemes::theme_hc(base_family = "Arial") + theme(legend.title=element_blank(), legend.position = "none") ``` ## Tratamento e controle {.unnumbered .tabset} ::: panel-tabset ### 2016-2017 {.unnumbered} ```{r, echo=FALSE, message=FALSE, warning=FALSE,eval=F} formattable(amostra_2016_2017) ``` ### 2017-2018 {.unnumbered} ```{r, echo=FALSE, message=FALSE, warning=FALSE,eval=F} formattable(amostra_2017_2018) ``` ### 2018-2019 {.unnumbered} ```{r, echo=FALSE, message=FALSE, warning=FALSE,eval=F} formattable(amostra_2018_2019) ``` ### 2019-2020 {.unnumbered} ```{r, echo=FALSE, message=FALSE, warning=FALSE,eval=F} formattable(amostra_2019_2020) ``` ::: # {.unnumbered} Os gráficos e tabelas acima mostram o resultado do exercício realizado para cada par de anos no período de 2016 a 2020. As empresas que não foram credoras do GDF no primeiro período, mas passaram a ser credoras ano subsequente -- os tradados -- foram comparadas com as empresas que não foram credoras do GDF em nenhum dos anos -- os controles. Para cada par de ano, foi realizado um pareamento por escore de propensão, de modo a tornar as empresas o mais parecido possível entre si, com base em suas características observáveis. Os resultados mostram que, de modo geral, o pareamento conseguiu produzir grupos mais semelhantes de empresas em todas as características elencadas. A única variável que ainda permanece apresentando diferenças consideráveis é a massa salarial, com o valor das empresas tratadas sendo sensivelmente maior. A aplicação das diferenças em diferenças à amostra pareada mostrou que passar a receber valores de despesas do GDF não faz com que as empresas terminem o ano com um número mais elevado de empregados que aquelas que não receberam valores. Nenhum dos biênios avaliados apresentou diferença significativa no número de empregos. Todavia, conforme mencionado na seção metodológica, essa análise é focada no ano em que a empresa recebe o valor da despesa, não sendo possível avaliar se o ato de fechar o compromisso de venda de bens ou serviços para o governo pode elevar a quantidade de empregos. Outra questão não verificada nessa análise é se o volume de recursos recebido faz diferença, uma vez que o resultado somente foi apresentado para a média dos valores. # Considerações finais Esta segunda Nota Técnica interativa da Codeplan investigou se a atuação governamental, a partir das compras e contratações, é capaz de dinamizar o setor privado e criar de empregos. Foram estimados os impactos dos recursos oriundos da compra de bens e serviços pelo Governo do Distrito Federal (GDF) nos empregos gerados pelo setor privado local. As empresas credoras do GDF com sede no DF foram comparadas às empresas do DF que não negociam com o Governo Distrital. Verificou-se grandes diferenças com relação a tamanho e tempo de existência, tanto de forma geral, quanto por setor. As empresas credoras do GDF têm, em média, mais empregados e estão no mercado há mais tempo. No setor de serviços, entretantoas diferenças, embora permaneçam, são menores. Isso significa que o mercado de serviços prestados ao governo se parece mais com o mercado de serviços como um todo, em relação aos demais setores. Também foram analisadas a distribuição de despesas por setor e a relação entre tamanho da empresa e valor recebido. Verificou-se que o setor de serviços é o mais relevante, já que corresponde a cerca de 65% das empresas credoras analisadas. Também se pode concluir que, de forma geral, a relação entre empregos e valores recebidos positiva. Ou seja, as empresas que geram mais empregos também são as empresas que tendem a vender maiores valores ao Governo. Essa relação é mais intensa no setor de serviços e menos intensa no setor de comércio. No entanto, a aplicação do modelo econométrico para comparação entre credores e não credores mostrou que passar a receber valores de despesas do GDF não faz com que as empresas gerem mais empros do que aquelas que não receberam valores. Dos quatro biênios analisados, 2010-2011, 2011-2012, 2012-2013 e 2013-2014, em nenhum houve diferença significativa no número de empregos. O resultado permite concluir, observadas as condições e pressupostos enumerados aqui, que não há efeito do recebimento de recursos do governo na geração de empregos. # Considerações finais e desenvolvimentos futuros Este nota adotou uma abordagem pioneira sobre o gasto público, focada nas despesas emitidas pelo GDF, discriminadas por credor, entre 2016 e 2020, propondo uma tipificação não usual, baseada tanto nas características do credor quanto nas informações orçamentárias da despesa. Ao adotar esta classificação, pudemos identificar que o pagamento por bens e serviços ofertados pelo setor privado no período corresponde a uma parcela de cerca de `r (class_despesa.prop[1,3]+class_despesa.prop[4,3])`% do total de gastos vinculados a fontes próprias e externas <a href=" " title="Este percentual exclui o FCDF. Caso fossem incorporadas as despesas cuja fonte de receitas é o FCDF, haveria queda brusca deste percentual relativo, já que esse recurso é completamente direcionado a pagamento de pessoal." style="background-color:#FFFFFF;color:#000000;text-decoration:none">\[nota\]</a>. Demonstramos que, embora tenha havido expansão do total de despesas pagas ao setor privado no período 2016 a 2020, este movimento se reverte em 2015, retornando a valores inferiores a 2013. Acreditamos que esta é uma reação do governo à conjugação de restrições fiscais impostas pela crise econômica nacional e de pressões geradas pelo aumento da participação dos gastos com pessoal no orçamento. Apesar desta retração, a proporção de credores do próprio Distrito Federal cresceu substancialmente ao longo do período. Sem levar em conta o critério de economicidade e eficiência nas compras públicas, que não é objeto de análise deste relatório, temos que a concentração de compras de produtos e serviços em empresas locais tem resultados potencialmente positivos do ponto de vista da geração de empregos diretos e da consolidação de uma rede econômica virtuosa. Essa hipótese, em especial, demanda maior aprofundamento e mobilização de outras variáveis para efetivo teste empírico. Entretanto, aparentemente, persiste grande concentração e limitada variação nos padrões espaciais da distribuição dos pagamentos do GDF ao longo do tempo. O Plano Piloto aparece como destinatário da maior parte das OBs, seguido de Taguatinga, Ceilândia, Guará e Samambaia, com alguma presença também em Gama, Sobradinho e pontos mais esparsos, como em Brazlândia e Planaltina. Reforça-se a indicação de um vetor de desenvolvimento associado à saída sudoeste e sul da cidade. O próximo passo, a ser desenvolvido em novas notas técnicas, será identificar, a partir de novos cruzamentos com os conjuntos de dados aqui produzidos, quais os ganhos em termos de empregos diretos e qual a capacidade do estado em dinamizar determinados setores da economia com suas compras. Pretende-se implementar modelos econométricos capazes de identificar e estimar estes efeitos.